从事实到洞察：面向角色扮演智能体的双记忆框架与数据集
计算与语言
2026-05-26 v1 数据库
多智能体系统
摘要
虽然角色扮演智能体在短期交互中表现出色，但在长期对话中仍被上下文窗口所压倒，促使采用外部记忆框架。当前系统通常依赖于无角色无关的总结方法，这些方法在不考虑角色特定解释的情况下记录事实，导致生成通用回应，妥协了角色保真度。为弥合这一差距，我们引入 RoleMemo 数据集，其中包含四个推理任务，要求通过角色来解释事实片段以得出正确答案。RoleMemo 上的评估暴露了无角色无关框架的关键局限性。我们因此提出 DualMem 框架，将记忆解耦为两个流：事实认知和角色条件化洞察。通过监督微调 (SFT) 和强化学习 (RL) 训练，我们的框架在 4B 参数模型上超越了基于 DeepSeek-V3.2 的零-shot 角色无关框架，实现了持久的角色保真度。我们的资源已在 https://github.com/role2026/rolememo 提供。
引用
@article{arxiv.2605.25693,
title = {From Facts to Insights: A Persona-Driven Dual Memory Framework and Dataset for Role-Playing Agents},
author = {Rongsheng Zhang and Ruofan Hu and Weijie Chen and Jiji Tang and Junnan Ren and Wanying Wu and Xunuoyan Chen and Tangjie Lv and Tao Jin and Zhou Zhao},
journal= {arXiv preprint arXiv:2605.25693},
year = {2026}
}
备注
Preprint