BOOKMARKS: Memoria Activa Eficiente de la Línea Argumental para el Juego de Roles

Resumen

Los sistemas de memoria son fundamentales para que los agentes de juego de roles (RPA) mantengan consistencia a largo plazo. Sin embargo, los métodos de memoria existentes para RPA (por ejemplo, la elaboración de perfiles) dependen principalmente del resumen recurrente, cuya compresión inevitablemente descarta detalles importantes. Para abordar este problema, proponemos un marco de memoria basado en búsqueda llamado BOOKMARKS, que inicializa, mantiene y actualiza activamente piezas relevantes de marcadores para la tarea actual (por ejemplo, la actuación del personaje). Un marcador se estructura como la respuesta a una pregunta en un punto específico de la trama. Para cada tarea actual, BOOKMARKS selecciona marcadores existentes reutilizables o inicializa nuevos (al inicio de la trama) con preguntas útiles. Estos marcadores se sincronizan luego con el punto actual de la historia, actualizando sus respuestas en consecuencia, de modo que puedan reutilizarse eficientemente en futuras rondas de fundamentación. En comparación con el resumen recurrente, BOOKMARKS ofrece (1) fundamentación activa para capturar detalles específicos de la tarea y (2) actualización pasiva para evitar cálculos innecesarios. En la implementación, BOOKMARKS admite búsquedas de concepto, comportamiento y estado, cada una potenciada por un método eficiente de sincronización. BOOKMARKS supera significativamente a las líneas base de memoria de RPA en 85 personajes de 16 artefactos, demostrando la efectividad de la memoria basada en búsqueda para los RPA.

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.