记忆驱动的角色扮演： persona 知识利用的评估与增强——面向 LLM
计算与语言
2026-03-23 v1 人工智能
摘要
保持长期、开放式对话中角色 Characterization 的一致性是 LLM 角色扮演的核心挑战，因为模型常常未能在无显式提示的情况下recall 并准确地应用其指定的 persona 知识。为此，我们提出了 Memory-Driven Role-Playing 范式。灵感来源于斯坦纳夫斯基的“情感记忆”演出理论，将 persona 知识框架化为 LLM 的内部记忆存储库，要求仅依据对话情境进行检索和应用，从而对知识的深度和自主运用提出严格测试。围绕该范式，我们贡献了：(1) MREval——评估四类记忆驱动能力——锚定、召回、界定和演绎的细粒度评估框架；(2) MRPrompt——引导结构化记忆检索和响应生成的提示架构；(3) MRBench——一个双语（中文/英文）基准，用于细粒度诊断。该新范式为跨 12 个 LLM 的四阶段角色扮演能力提供了全面诊断。关键在于，实验表明，MRPrompt 使小型模型（如 Qwen3-8B）能够匹配大型闭源 LLM（如 Qwen3-Max 和 GLM-4.7）的性能，并确认上游记忆的提升直接增强下游响应质量，验证了该阶段性理论基础。
引用
@article{arxiv.2603.19313,
title = {Memory-Driven Role-Playing: Evaluation and Enhancement of Persona Knowledge Utilization in LLMs},
author = {Kai Wang and Haoyang You and Yang Zhang and Zhongjie Wang},
journal= {arXiv preprint arXiv:2603.19313},
year = {2026}
}
备注
34 pages