学习如同人类：面向交互式小说游戏的大语言模型适应框架
计算与语言
2025-05-20 v1
摘要
交互式小说游戏（IF游戏）是玩家通过自然语言命令进行交互的场景。尽管近期的人工智能代理进展使人们对IF游戏作为决策-making研究领域的兴趣重新燃起，但现有方法侧重于任务特定的性能指标，而非对叙事背景和游戏逻辑的人类化理解。本文提出了受认知心理学启发的框架，指导大语言模型（LLM）系统化地学习并玩IF游戏。我们提出的**L**earning to **P**lay **L**ike **H**umans（LPLH）框架集成了三个关键组件：（1）结构化地图构建以捕捉空间和叙事关系，（2）动作学习以识别情境合适的命令，（3）基于反馈的经验分析以迭代优化决策。通过将基于LLM的代理行为与叙事意图和常识约束对齐，LPLH超越了纯粹探索性策略，实现更具可解释性和人类化的表现。关键在于，该方法运用认知科学原理，更贴近人类玩家在叙事世界中阅读、解释和响应的方式。结果，LPLH将IF游戏挑战重新定义为基于LLM的代理学习问题，为在复杂文本环境中实现稳健、情境感知的游戏玩法提供了新路径。
引用
@article{arxiv.2505.12439,
title = {Learning to Play Like Humans: A Framework for LLM Adaptation in Interactive Fiction Games},
author = {Jinming Zhang and Yunfei Long},
journal= {arXiv preprint arXiv:2505.12439},
year = {2025}
}