Выведение логики персонажей из сюжета, представленного в виде кодифицированных деревьев решений

Deriving Character Logic from Storyline as Codified Decision Trees

January 15, 2026

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

cs.AI

Аннотация

Агенты, основанные на отыгрыше ролей (RP), полагаются на поведенческие профили для последовательных действий в различных нарративных контекстах. Однако существующие профили в основном неструктурированы, неисполняемы и слабо верифицированы, что приводит к хрупкому поведению агентов. Мы предлагаем Кодифицированные Деревья Решений (КДР) — основанный на данных фреймворк, который извлекает исполняемую и интерпретируемую структуру решений из масштабных нарративных данных. КДР представляет поведенческие профили в виде дерева условных правил, где внутренние узлы соответствуют проверенным условиям сцены, а листья кодируют обоснованные поведенческие утверждения, что позволяет детерминированно извлекать контекстно-релевантные правила во время исполнения. Дерево обучается путем итеративного выявления кандидатов в виде правил «сцена-действие», их проверки на данных и уточнения посредством иерархической специализации, в результате чего создаются профили, поддерживающие прозрачный анализ и принципиальные обновления. На множестве бенчмарков КДР значительно превосходит профили, написанные человеком, и предыдущие методы индукции профилей для 85 персонажей из 16 артефактов, что указывает на то, что кодифицированные и верифицированные поведенческие репрезентации приводят к более надежному обоснованию агентов.

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.