可计算的 AI writing——LLM 时代下的本格推理小说创作理论与实践

一、AI writing 与 AI coding 的对比

同样是大模型的应用，AI coding 与 AI writing 到 2026 年 8 月已经拉开了明显的差距。

造成差距的主要原因：代码是可计算、可验证的——它有可执行的语义和客观的验证流程；文学的标准往往并不明确，"好"本身无法被编译。

但在所有文学品类里，有一类作品有些接近这种"可计算、可验证"的模式——本格推理。

二、本格推理小说"逻辑"的拆解与形式化

本格推理（honkaku mystery）是一个非常细分的文体。不同于变格推理（以猎奇、恐怖、心理异常为趣味）与社会派推理（以犯罪的社会成因、社会批判为重心），本格推理以"逻辑解谜"为小说的首要趣味：关注点在于诡计如何构成，以及侦探如何将有限的线索排列重组，从而"推导"出真相；文学性相对次要，甚至可以牺牲。

本格的核心承诺是：谜团的解答必须可以由读者从文本给出的信息中逻辑地推出。我们先介绍几个本格推理的核心概念。

fair play：本格推理的核心契约，含义是双面的：

• "fair"（公平）：所有解答必需的信息必须在揭示前呈现给读者，读者在理论上拥有破案的机会；
• "play"（游戏）：作者有义务进行真实的误导，结局不能一眼看穿。

谜面的三个经典问题：

• Whodunit：谁干的？（凶手身份）——本格最标准的谜面类型；
• Howdunit：怎么干的？（手法、诡计）——如密室等不可能犯罪多属此类，凶手身份往往不是谜；
• Whydunit：为什么干？（动机）——本格推理里往往被弱化，社会派的主战场。
  • "为了一碟醋包了一盘饺子"在本格里屡见不鲜：为了一个绝妙的诡计配上一个扯淡的动机，这在正经文学里少见，但在本格推理里甚至可以被原谅。

围绕 whodunit：

• POV（point of view）：讲故事的视角，决定读者获取信息的来源。注意在全文进行到同样进度时，读者与侦探掌握的信息集并不相同——$\mathcal{F}^{\text{读者}}_i \neq \mathcal{F}^{\text{侦探}}_i$。这一方面是 POV 的错置（读者视角很多时候不等于侦探视角），另一方面是因为作者会有意设置误导，比如：
  • 不可靠叙述者（unreliable narrator）：叙述者的陈述与事实之间存在系统性偏差。有时叙述者本身就是疯癫或自欺的；有时叙述者每一句话在字面上都不说谎，但"不说谎"从未意味着"不误导"。
  • 叙述性诡计（叙诡）：利用叙述本身的歧义（人称、时态、视角切换）欺骗读者的元手法。叙诡是本格中最"文本性"的诡计类型。

red herring（红鲱鱼）：故意投放的误导性线索，将怀疑引向无辜者。合格的红鲱鱼必须"事后可解释"——揭晓后读者能明白它为什么天然可疑。

围绕 howdunit：

impossible crime（不可能犯罪）：表面上物理上不可能的犯罪，其下最著名的子类型是密室杀人（locked-room mystery）。在出现不可能犯罪的本格小说中，howdunit 是最核心的谜面。也常出现 whodunit 很好猜、howdunit 极难猜的情况。

• 柯南：凶手一定是那个家伙，但他究竟是如何办到的呢……

ALIBI（不在场证明）：嫌疑人声称案发时自己位于他处、从而不可能作案的证明。破解 alibi 是本格的核心子类型，其逻辑本质是对物理可能性（时空约束）的推理。破解方式无非三类——证词造假、时间被伪造（如拨快/拨慢时钟、录音伪装存活时刻）、空间被压缩（凶手实际移动得比所有人以为的快）。

2.1 形式化

对很多本格小说而言，whodunit 都是核心谜题，可以用一个形式化的方式描述。设故事为段落序列，并引入概率论中信息流（filtration）的视角：

$$X = (x_1, x_2, \dots, x_L), \qquad \mathcal{F}_i = \sigma(x_1, \dots, x_i)$$

其中 $\mathcal{F}_i$ 表示"读到第 $i$ 段为止可获得的一切信息"。谜题的核心是一个隐藏变量 $Y$（凶手身份），取值于嫌疑人集合 $\mathcal{Y}$，其中含真凶 $y^{*} \in \mathcal{Y}$ ，也可能包含至少一个幌子 $\bar{y} \in \mathcal{Y}$。

读者模型 $M$ 是一个关于 $\{\mathcal{F}_i\}$ 的适应过程：

$$M(i) \;=\; p\bigl(Y = \cdot \,\big|\, \mathcal{F}_i\bigr) \;\in\; \Delta^{|\mathcal{Y}|-1}$$

即读到第 $i$ 段时，该读者对"谁是凶手"的概率估计；其 argmax 就是"该读者此刻猜的凶手"：$\hat{y}_M(i) = \arg\max_{y \in \mathcal{Y}} M(i)_y$。

这个视角下有一个漂亮的对应：理想读者（贝叶斯最优推断者）的估计过程是关于 $Y$ 的鞅——由于故事最终会揭示真相（$Y$ 关于 $\mathcal{F}_L$ 可测），依鞅收敛定理，$M(i) \to \delta_{y^{*}}$（概率质量最终收敛到真凶）；而"线索充分"对应的是：这个收敛在揭示点之前就已完成。于是一个故事的"可解性"可以被刻画为：这个鞅向真值收敛得又多快、又多稳。天真读者则是一个被红鲱鱼牵引的次优推断器——理想情况下，它的概率质量应流向幌子 $\bar{y}$ 而非真凶。

whodunit 之外，howdunit 可以形式化吗？ 可以类比着做。此时隐藏变量 $Y$ 不再是有限嫌疑人集合上的分类变量，而是"手法"这样一个结构化对象（一套时空安排）。一个自然的刻画是把密室建模为约束满足问题：在前读阶段，读者眼中的约束系统看似不可满足——这就是"不可能"感的来源；而解答的本质是揭示某个被默认的隐含约束其实并不成立（时间被伪造、空间被压缩、证词造假——正好对应上文的三种 alibi 破解），系统由此恢复可满足。

• 刻画的困难在于：$\mathcal{Y}$ 不再有限，argmax 式的分类指标随之失效，"读者此刻猜的手法对不对"不再是一个良定义的问题。

挑战读者（Challenge to the Reader）：埃勒里·奎因（代表作有《希腊棺材之谜》以及《X 的悲剧》等）的发明——在解答章之前插入一页，直接向读者宣布此刻全部线索已齐备，把 fair play 从隐含契约变成明示赌约。也就是说，到这一页为止，读者手里的线索是充分的：理论上可以据此推出凶手是谁、行凶手法与诡计是什么。

三、诠释学的框架

彼得·休恩（Peter Hühn），The Detective as Reader: Narrativity and Reading Concepts in Detective Fiction（1987）——侦探小说叙事学被引最多的文献之一（300+ 次）。它第一次把破案完整地重新描述为一种阅读行为。

• 罪犯是作者。 犯罪现场是罪犯"写下"的一篇文本，其中混杂着两类符号：无意符号（不可避免留下的痕迹）与有意符号（故意布置的误导）。"每个凶手都不可避免地留下痕迹，正如每个作者都以某种方式印刻在自己创造的世界里。"
• 侦探是读者。 破案 = 诠释：侦探面对指涉关系被故意弄乱的符号集合，必须重新编组、区分真伪，用语言重建那个隐藏的故事。侦查的终点不是抓捕，而是"讲述"。
• 叙述者是第二级作者。 侦探的侦查过程被叙述者（比如华生）记录为文本，成为读者阅读的对象。

由此得到一个逐级嵌套的"写—读"结构：

注意最右端：真实读者重复侦探的诠释活动——读者也在猜凶手。于是文本内外形成两场平行的竞赛：

• 文本内：罪犯 vs 侦探（欺骗与破译）；
• 文本外：作者 vs 读者（误导与识破）。

作者必须给出真线索（fair），同时必须成功误导（play）。

四、信息论形式化

Wagner, Keydar & Abend（耶路撒冷希伯来大学），The Challenge and Reward of Fair Play in Narrative: A Computational Approach（2025）——把休恩的诠释学直觉翻译成可计算的概率模型，并实测大语言模型（LLM）写推理小说的能力边界。

最重要的是提出了读者模型。四类理想读者，按"信息权限 × 推理能力"两轴定位：

• 天真读者 $M_0$（gullible）：仅依据文本；做字面阅读，被红鲱鱼带走。文学对应：华生 / 黑斯廷斯。
• 天才读者 $M_1$（brilliant）：仅依据文本；仅凭内部线索做贝叶斯最优推断。文学对应：福尔摩斯 / 波洛。
• 全知读者 $M^{*}$（know-it-all）：文本之外还掌握"故事机"的知识（生成规律、作者习惯）；是理论上的天花板。文学对应：摸透作者套路的骨灰级读者。
• 真实读者 $\bar{M}$（actual）：信息权限介于天真与全知之间；能力呈光谱式分布。文学对应：你我。

4.1 两个分数与一条定理

先定义基准量——读者 $M$ 在一篇故事上的预测准确率：

$$A(M) \;=\; \frac{1}{L} \sum_{i=1}^{L} \mathbb{1}\bigl[\hat{y}_M(i) = y^{*}\bigr]$$

即"全程 $L$ 个位置中，猜中真凶的位置占比"。在此基础上：

• 意外分 $S = 1 - A(M_0)$：天真读者全程猜中真凶的位置占比的补。$S$ 高 = 误导成功；
• 连贯分 $C = A(M_{\text{聪明}})$：聪明读者越早、越稳地锁定真凶，说明线索越充分；
• 公平分 $FP = A(M_{\text{聪明}}) - A(M_0)$：两条"猜凶手曲线"之间的垂直落差。

中心定理（意外—连贯权衡）：对任何单一读者模型，意外与连贯必然此消彼长——严格按线索理性更新信念的读者，不可能同时被结局震惊。两者要同时成立，必须制造后见之明落差（hindsight gap）：读者在揭示瞬间从"前读模式"（被骗）切换到"回望模式"（原来如此）。"啊哈时刻" = 解释状态的相变。

推论（长度困难）：故事越长，维持 fair play 越难——要么线索稀薄得剧情像没推进，要么误导工程量爆炸。

三种故事原型由此各就各位：机械降神（有意外无连贯）、非谜故事（有连贯无意外）、公平游戏（靠 hindsight gap 两者兼得）。

4.2 实操构造：怎么"造"出这些读者

• 天真读者：提示词催眠法。让 o3-mini 逐段预测嫌疑人概率，并明确指示"把故事事件当作真实发生的来估计，忽略作者的意图；估计最可能的真相，哪怕它很无聊"——即禁止元认知，强制字面阅读；
• 全知读者：蒙特卡洛算命法。在故事检查点让原生成模型续写 $K$ 次结局（因模型预算不同，$K$ 在 5–20 之间），统计各嫌疑人当凶手的频率作为概率——它"偷看故事机"，天然包含作者套路与世界约束的信息；
• 真实读者：20 名人类受试者逐段猜凶手 + 主观打分。

天才读者与全知读者的桥梁是"线索充分性"（clue sufficiency）：若仅凭文本内部线索的最优推断就能逼近全知读者的判断，则 $M_1 \approx M^{*}$——这正是"公平"的精确含义：读者不必认识作者，光靠书里写的就能破案。反例：若某模型写十篇故事、凶手十篇是管家，全知读者第一段就锁定管家（连贯分虚高），而天才读者从文本里推不出来——高分掩盖了无线索的作弊。

4.3 实验结论（对"AI 写推理"的直接裁决）

• LLM 的故事普遍过不了公平关：多数模型能做到意外或连贯之一，但大量故事缺乏足够的读者落差（GPT-4o 的故事 10 篇中 4 篇不达标）；
• 公平性不随模型规模/推理能力单调提升——"榜单思维"在该任务上失效；
• 这两点可能受限于论文作者使用的模型不够强，或许在不久的将来就有完全不同的结论。
• 意外与连贯跨故事不相关甚至负相关（LLM 评估 $r = -0.095$；人类评估 $r = -0.383$），证实二者是竞争目标，而非同一"质量因子"的两个侧面；
• 指标复现文学直觉：波洛系列意外分 0.642 vs 福尔摩斯 0.342；但福尔摩斯连贯分反而更高（0.751 vs 0.661）；综合公平分波洛 0.325 vs 福尔摩斯 0.067，福尔摩斯不是严格意义上的本格小说，其推理使用了很多只有侦探知道、读者不知道的证据，公平分低；
• 副产物："老练读者"（看过同模型既往故事）零样本即接近全知水平——优势来自熟悉"故事机的脾气"，而非具体故事知识。

五、LLM 时代下的本格推理创作

以下内容没有什么文献参考，多为 LLM 时代下的经验之谈。

5.1 模组化

模组化命题：在严格限定下（绝对公平、唯一真解答、无叙诡无 meta、侦探中立、全员理性、有限时空、谋杀核心），古典本格的最终解答逻辑链可以被 AI 系统无限模组化；并且，人类与 AI agent 可以用明确的语言、公式或图论把这种模组化说清楚。

回到休恩的诠释学框架：此处的工程化建模必须同时包含两层——逻辑链的模组化（文本内：罪犯 vs 侦探，欺骗与破译），以及 fair play 的模组化（文本外：作者 vs 读者，误导与识破）。

连贯性一侧：

• 本格类型小说作者本就扮演着"自动化内容生成系统"的角色，其工作流大体上也是"真相先行 → 模组化 → 文本生成"；
• 线索有效性、线索充分性、不在场证明的时空约束、动机—手段—机会的嫌疑人工程——这些是可校验的（列清单、查前后文、逐条核对）；
• 一致性维护：伏笔埋设与回收的追踪、设定表管理——这正是当前实践中 AI 已被认可的"线索管理员"角色。

意外性一侧：

• 考虑到"意外—连贯权衡定理"，这一部分才是本格推理写作的核心问题，也往往更难；
• 好的本格小说要经营天真 / 聪明 / 全知三类读者之间的落差工程；
• 意外性本质上是对"读者此刻会怎么读"的预测与反预测，依赖读者模型而非文本本身；
• hindsight gap 的工程：让同一批线索在前读模式与回望模式下呈现两种不同面貌——这是双目标优化，其难度被证明高于任一单目标。

5.2 仍旧面临的问题

• 复杂度爆炸：一旦引入错误伪解答、各怀秘密的嫌疑人、侦探卷入案件，"相当于一场未知玩家数量、未知获胜规则的国际象棋，信息变量指数级爆炸"；
• 是否存在复杂度相变点：字数、人物数、时间线条数、叙诡数量堆到什么程度，逻辑链会系统性失效？
• 这些问题能否随 LLM 模型能力的提升而改善？

六、实证研究

回到开篇的问题：AI writing 与 AI coding 的差距，在于文学缺少验证器。前面的工作已经部分弥补了这一点：形式化给出了读者模型与打分机制，模组化把逻辑链变成了可登记、可校验的工程对象。剩下的一步，是为创作过程手工造出一套验证体系——规约（真相档案）＋测试套件（机器探针）＋ code review（独立评审）＋用户测试（盲读）。以下按体量分短篇与长篇两套工作流。

6.1 短篇创作工作流

适用于单核心诡计、至多双案件耦合的作品。在此体量下，配合正确的工作流，目前最强的 AI agent 已能从头到尾完成得相当好；人要守的是流程关口。必需项如下：

1. 真相档案先行（truth-first）。动笔前先锁定唯一事实源，其中三本台账分开登记：凶手视角的真实时间线、侦探视角的发现层台账（每步从哪些材料推出什么结论）、读者认知版时间线（与真实版逐行对照）。任何修改都先改档案、再改正文、再跑校验，顺序不可颠倒。它对应 hindsight gap 的工程化：意外与连贯的双目标只能从终点反向设计；认知版与真实版的对照，即天真读者与聪明读者落差的建模。
2. 复杂度预算。互锁锚点控制在个位数（每多一个，交叉验证成本近似平方增长）；物理动作链每条不超过三步；优先解释层诡计（替换证据含义，而非增加物理动作——相比让 AI 脑内推演密室机关，仅靠文字的叙述型诡计目前更容易实操），即"长度困难推论"在可控规模内的应对。
3. 锚点推算表、线索台账与发现层台账。时间点写明推算规则并用代码逐条实算，禁止心算；线索登记埋设／回响／回收三态，解答章不得首次引入新物证；推理节点写明结论、依据清单、是否"读者在场材料"，写不出依据清单的节点就是设计洞。三件事分别对应：连贯性一侧可校验、"聪明读者清单"的台账化、可解性判据（聪明读者必须优于瞎猜）。
4. 机器探针。每轮修订后跑脚本检查：陈旧字符串零命中（改稿漂移是最高发的 bug 类别）、锚点旧值零命中、引号配对、字数一律脚本实测回写。这一步把修订从文学行为变成了有回归测试的工程行为。
5. 独立双人评审。逻辑／时间线审查员与文风审查员并行、互不可见；评审必须独立于执笔者——知道真相的人最难假装不知道。这对应双读者校验：逻辑审查员扮演聪明读者，文风审查员兼负天真读者的部分职能。

经验结论一条：实际工作流中，审查花的时间一定多于写作，这是对的成本结构。

6.2 长篇创作工作流

长篇会正面撞上 5.2 节的复杂度爆炸，但也只有长篇容得下多案件耦合、多嫌疑人多重解答乃至元结构创新。代价是人必须在 plan 阶段深入参与：完整大纲多轮 review，真相档案每行由人裁决；AI 负责产出与修复，人负责挑错与裁决。在短篇工作流基础上需额外补充：

1. 复杂度不设上限，但保险强制配对。锚点全部进表、逐条实算；动作链按时间窗切段，逐段给出耗时估算、窗口余量与失败模式；多诡计叠加时画依赖图（哪个诡计以另一个为前提），防止改一处塌一片。
2. 高回收密度章节的事实提取表。自白章、对峙章、解答章动笔前，把要回收的每条线索、每句台词逐字摘录并注明出处，禁止凭记忆复述。它是"改稿漂移"在高密度章节的对症药：凭记忆回收是引文错位的主要来源。

6.3 AI 创作的小说与本格名著的差异

参考文献

1. Peter Hühn, "The Detective as Reader: Narrativity and Reading Concepts in Detective Fiction," MFS Modern Fiction Studies 33(3), 1987: 451–466. https://muse.jhu.edu/article/244364
2. Eitan Wagner, Renana Keydar, Omri Abend, "The Challenge and Reward of Fair Play in Narrative: A Computational Approach," arXiv:2507.13841. https://arxiv.org/abs/2507.13841
3. 豆瓣笔记：《为什么埃勒里·奎因可以被AI取代——"现代的逻辑流"何以可能》，https://www.douban.com/note/854874505/