保持角色：基于书籍的角色扮演代理的视角限制记忆

最近的 LLM 角色扮演系统通过提取人物、场景和关系来构建小说中的角色代理。然而，长篇叙事角色扮演面临着两个失败：事实超越（共享检索或参数记忆让角色使用其视角之外的事实）和风格单调（个人资料描述将角色扁平化为固定的声音）。为了解决这些失败，我们提出了 REVERIEMEM，一种用于基于书籍的角色代理的三层内存架构。情景层存储第一人称场景记忆；语义层存储可见性标记的事实；个性层存储与情境相关的言语和行为模式。为了进行评估，我们构建了 KBF-QA，这是一个针对八本小说的 4,386 个问题基准，用于测试知识边界。 REVERIEMEM 比最强的现有方法将知识边界保真度提高了 34.6 个百分点。在 BOOKWORLD 的五维成对叙事协议上，REVERIEMEM 的胜率约为 79%，这表明视角有限的记忆可以提高边界保真度和基于角色的叙事生成。