从事实到见解：角色扮演代理的角色驱动双记忆框架和数据集

虽然角色扮演代理在短期交互方面表现出色，但长期对话会淹没上下文窗口，从而激发外部记忆框架。当前的系统通常依赖于与角色无关的摘要，它记录事实而没有特定于角色的解释，从而产生损害角色保真度的通用响应。为了弥补这一差距，我们引入了 RoleMemo，这是一个包含四个推理任务的数据集，其中必须通过角色解释事实片段才能得出正确的答案。对 RoleMemo 的评估暴露了角色不可知框架的严重局限性。因此，我们提出了 DualMem，它将记忆解耦成两个流：事实认知和角色条件洞察。我们的框架采用 4B 参数模型，通过监督 微调 (SFT) 和强化学习 (RL) 进行训练，其性能优于由 DeepSeek-V3.2 支持的零样本角色不可知框架，可实现持续的角色保真度。我们的资源位于 https://github.com/role2026/rolememo。