Derivação da Lógica dos Personagens a partir da Narrativa como Árvores de Decisão Codificadas

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

Resumo

Agentes de role-playing (RP) dependem de perfis comportamentais para agir de forma consistente em diversos contextos narrativos, no entanto, os perfis existentes são em grande parte não estruturados, não executáveis e fracamente validados, resultando em um comportamento do agente frágil. Propomos as Árvores de Decisão Codificadas (CDT), uma estrutura orientada a dados que induz uma estrutura de decisão executável e interpretável a partir de dados narrativos em larga escala. A CDT representa perfis comportamentais como uma árvore de regras condicionais, onde os nós internos correspondem a condições de cena validadas e as folhas codificam afirmações comportamentais fundamentadas, permitindo a recuperação determinística de regras contextualmente apropriadas no momento da execução. A árvore é aprendida através da indução iterativa de regras cena-ação candidatas, validação das mesmas em relação aos dados e refinamento por meio de especialização hierárquica, produzindo perfis que suportam inspeção transparente e atualizações fundamentadas. Em múltiplos benchmarks, a CDT supera substancialmente perfis escritos por humanos e métodos anteriores de indução de perfis em 85 personagens de 16 artefatos, indicando que representações comportamentais codificadas e validadas levam a uma ancoragem mais confiável do 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.