Ableitung der Charakterlogik aus der Handlung als kodifizierte Entscheidungsbäume

Deriving Character Logic from Storyline as Codified Decision Trees

January 15, 2026

papers.authors: Letian Peng, Kun Zhou, Longfei Yun, Yupeng Hou, Jingbo Shang

cs.AI

papers.abstract

Rollenspiel-Agenten (RP) stützen sich auf Verhaltensprofile, um in verschiedenen narrativen Kontexten konsistent zu agieren. Bisherige Profile sind jedoch weitgehend unstrukturiert, nicht ausführbar und nur schwach validiert, was zu sprödem Agentenverhalten führt. Wir schlagen Kodifizierte Entscheidungsbäume (CDT) vor, einen datengestützten Rahmen, der eine ausführbare und interpretierbare Entscheidungsstruktur aus großen narrativen Datensätzen ableitet. CDT repräsentiert Verhaltensprofile als einen Baum von bedingten Regeln, wobei innere Knoten validierten Szenenbedingungen und Blätter konkrete Verhaltensaussagen kodieren. Dies ermöglicht die deterministische Abfrage kontextangemessener Regeln zur Laufzeit. Der Baum wird durch iteratives Ableiten von Kandidaten für Szenen-Aktions-Regeln, deren Validierung anhand der Daten und Verfeinerung durch hierarchische Spezialisierung gelernt. Das Ergebnis sind Profile, die transparente Überprüfung und prinzipielle Aktualisierungen unterstützen. In mehreren Benchmarks übertrifft CDT menschlich geschriebene Profile und frühere Methoden zur Profilableitung bei 85 Charakteren aus 16 Werken deutlich. Dies zeigt, dass kodifizierte und validierte Verhaltensrepräsentationen zu einer zuverlässigeren Verankerung von Agenten führen.

English

Role-playing (RP) agents rely on behavioral profiles to act consistently across diverse narrative contexts, yet existing profiles are largely unstructured, non-executable, and weakly validated, leading to brittle agent behavior. We propose Codified Decision Trees (CDT), a data-driven framework that induces an executable and interpretable decision structure from large-scale narrative data. CDT represents behavioral profiles as a tree of conditional rules, where internal nodes correspond to validated scene conditions and leaves encode grounded behavioral statements, enabling deterministic retrieval of context-appropriate rules at execution time. The tree is learned by iteratively inducing candidate scene-action rules, validating them against data, and refining them through hierarchical specialization, yielding profiles that support transparent inspection and principled updates. Across multiple benchmarks, CDT substantially outperforms human-written profiles and prior profile induction methods on 85 characters across 16 artifacts, indicating that codified and validated behavioral representations lead to more reliable agent grounding.