梦想：通过事件感知内存图进行基于 LLM 的动态角色扮演

角色扮演代理 (RPA) 已成为 大语言模型 的关键应用，可实现身临其境的高保真角色模拟。对既定角色的准确角色扮演不仅需要风格上的模仿，还需要时间上一致且基于因果关系的行为推理。然而，现有的 RPA 主要依赖于静态角色描述和非结构化记忆，限制了它们维持长期叙事和个性连贯性的能力。我们引入了 DREAM，这是一种用于角色扮演代理的结构化记忆框架，其灵感来自激活事件-信念-结果 (ABC) 认知模型。 DREAM 将非结构化文学文本转换为事件感知记忆图 (EMG)，将角色经历组织成按时间排序且因果关联的事件图。这种表示能够构建动态的、双粒度的角色档案，捕捉稳定的人格特征和事件驱动的行为进化。我们进一步提出时间因果记忆（TCM）基准来评估时间一致性和长期因果叙事连贯性。 DREAM 在 CoSER、LIFECHOICE 和 TCM 方面实现了最先进的性能，超越了多个强大的基线。我们的方法证明了结构化记忆在增强角色扮演代理的可解释性和一致性方面的有效性。