用于角色扮演的编码有限状态机

在使用大型语言模型（LLMs）进行角色扮演（RP）时，建模潜在角色状态对于保持一致性和互动性至关重要。然而，现有的基于提示的方法主要捕捉表面行为，往往无法跟踪驱动交互的潜在状态。本文重新审视了有限状态机（FSMs），该方法长期以来被用于游戏设计中建模状态转换。尽管传统的人工设计、基于规则的FSMs在小规模、明确的状态空间中有效，但在开放式的语义空间中难以适应。为了解决这一问题，我们引入了编码有限状态机（CFSMs），一种利用基于LLM的编码自动将文本角色档案转化为FSMs的框架。CFSMs直接从档案中提取关键状态和转换，生成可解释的结构以确保角色一致性。为进一步捕捉不确定性和变异性，我们将CFSMs扩展为编码概率有限状态机（CPFSMs），其中转换被建模为状态的概率分布。通过合成评估和现实世界中的RP场景测试，我们证明CFSM和CPFSM优于通用基线方法，验证了其不仅在结构化任务中有效，在开放式随机状态探索中也表现出色。