角色扮演中的角色逻辑编码化

本文介绍了一种用于角色扮演的编码化轮廓（Codified Profiles）新方法，将角色逻辑表示为结构化、可执行的函数，用于行为决策。每个轮廓定义一组函数 parse_by_scene(scene)，输出由触发语句构成的列表，这些语句基于显式控制结构（如 if-then-else）和条件检查（如 check_condition(scene, question)）而实现，其中每个问题是关于场景的语义相关提示（例如，"角色是否处于危险中？"），由角色扮演 LLM 判定为 true、false 或 unknown。这种显式表示相对于传统基于提示的轮廓（即将角色描述直接附加到文本提示中）具有三个关键优势：（1）持久性，通过强制执行角色逻辑的完整且一致的执行，而非依赖模型的隐式推理；（2）可更新性，通过系统性检查和修订行为逻辑，这在仅靠提示的方法中难以追踪或调试；（3）可控随机性，通过在逻辑中支持随机行为，实现细粒度的可变性，这些可变性仅靠提示难以实现。为验证这些优势，我们引入了一个新的基准测试，源自 Fandom 的 83 个角色和 5,141 个场景，使用基于 NLI 的评分方法对比角色响应与真实动作。我们的实验表明，编码化轮廓在提高持久性、可更新性和行为多样性方面具有显著优势。值得注意的是，通过将大量推理卸载到预处理阶段，编码化轮廓使即使是 1B 参数的模型也能进行高质量的角色扮演，为本地部署角色扮演智能体提供了可扩展且高效的基础。