BOOKMARKS: Effizienter aktiver Handlungsstrang-Speicher für Rollenspiele

Zusammenfassung

Speichersysteme sind entscheidend für Rollenspiel-Agenten (RPAs), um eine langfristige Konsistenz zu gewährleisten. Bestehende RPA-Speichermethoden (z. B. Profiling) stützen sich jedoch hauptsächlich auf rekursive Zusammenfassungen, deren Kompression zwangsläufig wichtige Details verwirft. Um dieses Problem zu lösen, schlagen wir ein suchbasiertes Speicherframework namens BOOKMARKS vor, das aktiv aufgabenrelevante Lesezeichen für die aktuelle Aufgabe (z. B. die Darstellung einer Figur) initialisiert, verwaltet und aktualisiert. Ein Lesezeichen ist strukturiert als Antwort auf eine Frage zu einem bestimmten Zeitpunkt in der Handlung. Für jede aktuelle Aufgabe wählt BOOKMARKS wiederverwendbare vorhandene Lesezeichen aus oder initialisiert neue (zu Beginn der Handlung) mit nützlichen Fragen. Diese Lesezeichen werden dann mit dem aktuellen Handlungspunkt synchronisiert, wobei ihre Antworten entsprechend aktualisiert werden, sodass sie in zukünftigen Verankerungsrunden effizient wiederverwendet werden können. Im Vergleich zur rekursiven Zusammenfassung bietet BOOKMARKS (1) eine aktive Verankerung zur Erfassung aufgabenspezifischer Details und (2) eine passive Aktualisierung, um unnötige Berechnungen zu vermeiden. In der Implementierung unterstützt BOOKMARKS Konzept-, Verhaltens- und Zustandssuchen, die jeweils durch eine effiziente Synchronisationsmethode ermöglicht werden. BOOKMARKS übertrifft RPA-Speicher-Basislinien bei 85 Figuren aus 16 Artefakten signifikant und demonstriert damit die Wirksamkeit suchbasierter Speicher für RPAs.

English

Memory systems are critical for role-playing agents (RPAs) to maintain long-horizon consistency. However, existing RPA memory methods (e.g., profiling) mainly rely on recurrent summarization, whose compression inevitably discards important details. To address this issue, we propose a search-based memory framework called BOOKMARKS, which actively initializes, maintains, and updates task-relevant pieces of bookmarks for the current task (e.g., character acting). A bookmark is structured as the answer to a question at a specific point in the storyline. For each current task, BOOKMARKS selects reusable existing bookmarks or initializes new ones (at storyline beginning) with useful questions. These bookmarks are then synchronized to the current story point, with their answers updated accordingly, so they can be efficiently reused in future grounding rounds. Compared with recurrent summarization, BOOKMARKS offers (1) active grounding for capturing task-specific details and (2) passive updating to avoid unnecessary computation. In implementation, BOOKMARKS supports concept, behavior, and state searches, each powered by an efficient synchronization method. BOOKMARKS significantly outperforms RPA memory baselines on 85 characters from 16 artifacts, demonstrating the effectiveness of search-based memory for RPAs.