Dérivation de la logique des personnages à partir de la trame narrative sous forme d'arbres de décision codifiés

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

Les agents de jeu de rôle (RP) s'appuient sur des profils comportementaux pour agir de manière cohérente dans divers contextes narratifs. Cependant, les profils existants sont largement non structurés, non exécutables et faiblement validés, ce qui entraîne un comportement d'agent fragile. Nous proposons les Arbres de Décision Codifiés (CDT), un cadre basé sur les données qui induit une structure décisionnelle exécutable et interprétable à partir de données narratives à grande échelle. CDT représente les profils comportementaux comme un arbre de règles conditionnelles, où les nœuds internes correspondent à des conditions de scène validées et les feuilles codent des énoncés comportementaux ancrés, permettant une récupération déterministe de règles contextuellement appropriées au moment de l'exécution. L'arbre est appris en induisant itérativement des règles scène-action candidates, en les validant par rapport aux données et en les affinant par spécialisation hiérarchique, produisant des profils qui permettent une inspection transparente et des mises à jour fondées. Sur plusieurs benchmarks, CDT surpasse substantiellement les profils écrits par des humains et les méthodes d'induction de profils antérieures pour 85 personnages issus de 16 artefacts, indiquant que les représentations comportementales codifiées et validées conduisent à un ancrage d'agent plus fiable.

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.