BOOKMARKS: Эффективная активная память сюжетной линии для ролевых игр

Аннотация

Системы памяти критически важны для агентов ролевых игр (RPA), обеспечивая согласованность на длинных временных горизонтах. Однако существующие методы памяти для RPA (например, профилирование) в основном опираются на рекуррентное обобщение, чьё сжатие неизбежно отбрасывает важные детали. Для решения этой проблемы мы предлагаем поисковую структуру памяти под названием BOOKMARKS, которая активно инициализирует, поддерживает и обновляет релевантные для текущей задачи (например, отыгрыша персонажа) элементы закладок. Закладка оформляется как ответ на вопрос в определённой точке сюжетной линии. Для каждой текущей задачи BOOKMARKS выбирает повторно используемые существующие закладки или инициализирует новые (в начале сюжетной линии) с полезными вопросами. Затем эти закладки синхронизируются с текущей точкой повествования, а их ответы соответствующим образом обновляются, что позволяет эффективно повторно использовать их в последующих раундах привязки к контексту. По сравнению с рекуррентным обобщением, BOOKMARKS предлагает (1) активную привязку для захвата специфических для задачи деталей и (2) пассивное обновление во избежание излишних вычислений. В реализации BOOKMARKS поддерживает поиск концепций, поведения и состояний, каждый из которых обеспечивается эффективным методом синхронизации. BOOKMARKS значительно превосходит базовые методы памяти для RPA на 85 персонажах из 16 артефактов, демонстрируя эффективность поисковой памяти для 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.