Derivación de la Lógica de los Personajes a partir de la Trama como Árboles de Decisión Codificados

Deriving Character Logic from Storyline as Codified Decision Trees

January 15, 2026

Autores: Letian Peng, Kun Zhou, Longfei Yun, Yupeng Hou, Jingbo Shang

cs.AI

Resumen

Los agentes de rol (RP) dependen de perfiles conductuales para actuar de manera coherente en diversos contextos narrativos; sin embargo, los perfiles existentes son en gran medida no estructurados, no ejecutables y débilmente validados, lo que conduce a un comportamiento frágil del agente. Proponemos Árboles de Decisión Codificados (CDT), un marco basado en datos que induce una estructura de decisión ejecutable e interpretable a partir de datos narrativos a gran escala. CDT representa los perfiles conductuales como un árbol de reglas condicionales, donde los nodos internos corresponden a condiciones de escena validadas y las hojas codifican afirmaciones conductuales fundamentadas, permitiendo la recuperación determinista de reglas apropiadas al contexto en el momento de la ejecución. El árbol se aprende induciendo iterativamente reglas candidatas de escena-acción, validándolas con los datos y refinándolas mediante especialización jerárquica, lo que da como resultado perfiles que admiten una inspección transparente y actualizaciones fundamentadas. En múltiples puntos de referencia, CDT supera sustancialmente a los perfiles escritos por humanos y a los métodos previos de inducción de perfiles en 85 personajes de 16 artefactos, lo que indica que las representaciones conductuales codificadas y validadas conducen a una fundamentación más confiable del agente.

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.