BLADWIJZERS: Efficiënt Actief Verhaallijngeheugen voor Rollenspel

Samenvatting

Geheugensystemen zijn cruciaal voor rollenspelagenten (RPA's) om consistentie over lange termijn te waarborgen. Bestaande RPA-geheugenmethoden (zoals profilering) vertrouwen echter voornamelijk op recurrente samenvatting, waarbij compressie onvermijdelijk belangrijke details weggooit. Om dit probleem aan te pakken, stellen we een op zoek gebaseerd geheugenraamwerk voor, genaamd BOOKMARKS, dat actief taakrelevante stukken bladwijzers initialiseert, onderhoudt en bijwerkt voor de huidige taak (bijv. het spelen van een personage). Een bladwijzer is gestructureerd als het antwoord op een vraag op een specifiek punt in de verhaallijn. Voor elke huidige taak selecteert BOOKMARKS herbruikbare bestaande bladwijzers of initialiseert het nieuwe (aan het begin van de verhaallijn) met nuttige vragen. Deze bladwijzers worden vervolgens gesynchroniseerd met het huidige verhaalpunt, waarbij hun antwoorden dienovereenkomstig worden bijgewerkt, zodat ze efficiënt kunnen worden hergebruikt in toekomstige verankeringsronden. In vergelijking met recurrente samenvatting biedt BOOKMARKS (1) actieve verankering voor het vastleggen van taakspecifieke details en (2) passief bijwerken om onnodige berekeningen te vermijden. In de implementatie ondersteunt BOOKMARKS concept-, gedrags- en toestandszoekopdrachten, elk aangedreven door een efficiënte synchronisatiemethode. BOOKMARKS presteert significant beter dan RPA-geheugenbaselines op 85 personages uit 16 artefacten, wat de effectiviteit aantoont van op zoek gebaseerd geheugen voor RPA's.

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.