От статичных профилей к «воспоминаниям»
Создание LLM-агентов с человеческими личностями (персонажами) критически важно для симуляции пользователей и ролевых игр. Традиционные методы используют статические текстовые профили (prompt-based conditioning), которые часто приводят к шаблонному поведению из-за отсутствия контекста реальной жизни. Авторы работы Bohan Tang и Yiwen Guo предлагают парадигму memory-based conditioning, вдохновленную когнитивной психологией: вместо абстрактных описаний модель получает базу автобиографической памяти.
Архитектура MemoryForge
Система решает задачу синтеза «пожизненной» памяти (lifelong memory) на основе краткого описания целевой личности. Архитектура состоит из трех ключевых модулей:
- Context Generator (Генератор контекста): Обеспечивает социально-историческое обоснование, привязывая личность к реалистичному времени и месту.
- Life Organizer (Организатор жизни): Обеспечивает когерентность развития личности во времени, создавая логичную биографию.
- Multi-resolution Simulator (Многоуровневый симулятор): Балансирует между широкими временными сводками и высокодетализированными эпизодическими воспоминаниями.
Результаты бенчмарков
Эксперименты проводились на платформах PersonaGym (для ролевых игр) и SimulatorArena (для симуляции пользователей). MemoryForge позволила замороженным LLM демонстрировать более человеческое поведение по сравнению с сильными базовыми моделями, использующими текстовое описание. Ниже приведено сравнение эффективности подхода:
| Компонент / Метрика | Описание / Роль | Результат применения |
|---|---|---|
| Memory-based Conditioning | Динамический поиск релевантных воспоминаний | Высокая степень реализма поведения |
| PersonaGym | Платформа для оценки ролевых игр | Превосходство над статическими промптами |
| SimulatorArena | Платформа для симуляции пользователей | Улучшенная согласованность личности |
| Backbones | Различные архитектуры LLM | Результаты воспроизводимы на разных моделях |
Почему это важно
Подход позволяет «замороженным» (frozen) моделям без дообучения приобретать сложные, нешаблонные черты характера. Это открывает путь к созданию более убедительных AI-компаньонов, NPC в играх и тестировщиков интерфейсов, чье поведение не ограничивается жесткими инструкциями, а формируется на основе сгенерированного жизненного опыта.
Источник: arXiv cs.CL ↗