DREAM：基于事件感知记忆图的大语言模型动态角色扮演

# DREAM：基于事件感知记忆图的 LLM 动态角色扮演

来源：https://arxiv.org/html/2608.05170

Zhihao Xiao  
杭州国际创新研究院，北京航空航天大学  
中国杭州  
[email protected]

Mengting Li  
杭州国际创新研究院，北京航空航天大学  
中国杭州  
[email protected]

Xintao Wang  
复旦大学计算机科学学院  
中国上海  
[email protected]

Linfeng Li  
杭州国际创新研究院，北京航空航天大学  
中国杭州  
[email protected]

Limin Shui  
杭州国际创新研究院，北京航空航天大学  
中国杭州  
[email protected]

Mengqi Ji  
杭州国际创新研究院，北京航空航天大学  
中国杭州  
[email protected]

Borui Cai  
杭州国际创新研究院，北京航空航天大学  
中国杭州  
[email protected]

(2026)

###### 摘要

角色扮演智能体（RPAs）已成为大语言模型的一类关键应用，能够实现沉浸式、高保真的角色模拟。对既有角色的准确扮演不仅需要风格模仿，还需要在时间上一致、在因果上有依据的行为推理。然而，现有 RPA 主要依赖静态角色描述和非结构化记忆，限制了其维持长期叙事与人格一致性的能力。我们提出 DREAM，一种受激活事件–信念–后果（ABC）认知模型启发的、面向角色扮演智能体的结构化记忆框架。DREAM 将非结构化文学文本转化为事件感知记忆图（EMG），将角色经历组织为按时间排序、因果相连的事件图。该表示能够支持构建动态、双粒度的角色画像，既可捕捉稳定的人格特质，也可捕捉事件驱动的行为演化。我们进一步提出时间因果记忆（TCM）基准，用于评估时间一致性和长程因果叙事连贯性。DREAM 在 CoSER、LIFECHOICE 和 TCM 上取得了最先进的性能，优于多个强基线。我们的方法证明了结构化记忆在增强角色扮演智能体的可解释性和一致性方面的有效性。知识图谱、角色扮演智能体、大语言模型、因果叙事建模、时间记忆检索

††版权：无††期刊年份：2026††版权：cc††会议：第32届ACM SIGKDD知识发现与数据挖掘会议录V.2；2026年8月9–13日，韩国济州岛††书刊名：第32届ACM SIGKDD知识发现与数据挖掘会议论文集V.2（KDD '26），2026年8月9–13日，韩国济州岛††doi:10.1145/3770855.3818027††isbn:979-8-4007-2259-2/2026/08††CCS：计算方法论 自然语言处理††CCS：计算方法论 知识表示与推理

## 1. 引言

大语言模型（LLMs）的最新进展催生了新一代角色扮演智能体（RPAs），它们能够模拟特定角色的语言风格和推理模式 [Tsenget al.,2024](https://arxiv.org/html/2608.05170#bib.bib23); [Chenet al.,2024a](https://arxiv.org/html/2608.05170#bib.bib24)。这类智能体在沉浸式游戏 [Xuet al.,2025a](https://arxiv.org/html/2608.05170#bib.bib37)、互动小说和虚拟伴侣等场景中展现出巨大潜力，而在这些场景中，在长时间动态交互中维持角色一致性至关重要 [Parket al.,2023](https://arxiv.org/html/2608.05170#bib.bib25); [Zhouet al.,2023](https://arxiv.org/html/2608.05170#bib.bib26)。然而，尽管已有近期进展 [Zhouet al.,2024](https://arxiv.org/html/2608.05170#bib.bib1); [Wanget al.,2024](https://arxiv.org/html/2608.05170#bib.bib7)，为既有角色构建 RPA 仍然充满挑战。除了表层的角色模仿，有效的角色扮演还要求智能体使其响应与角色的过往经历、认知和动机保持一致，而这些因素是由底层叙事随时间塑造的，如图 1 所示。RPA 通常依赖两类角色数据：画像和记忆。然而，现有方法在有效利用这些资源方面存在两个关键局限：

（1）静态画像：大多数现有方法通过提示或微调注入为固定场景预定义的角色画像 [Luet al.,2024](https://arxiv.org/html/2608.05170#bib.bib3); [Zhouet al.,2024](https://arxiv.org/html/2608.05170#bib.bib1); [Heet al.,2025](https://arxiv.org/html/2608.05170#bib.bib2)。虽然这类方法能有效捕捉表层风格特质，但无法反映角色的性格如何被过往经历塑造和更新。因此，RPA 往往响应僵化，难以适应动态交互；而在理想情况下，角色画像应动态地基于其记忆形成，而非基于预定义场景。

（2）碎片化记忆：先前关于角色记忆的工作通常遵循两种范式：基于语义相似性检索过去的对话或事件 [Liet al.,2023](https://arxiv.org/html/2608.05170#bib.bib6); [Xuet al.,2025b](https://arxiv.org/html/2608.05170#bib.bib8)，或将经验隐式编码进模型参数 [Wanget al.,2025](https://arxiv.org/html/2608.05170#bib.bib10)。尽管这些方法使记忆可访问，但它们将角色记忆组织为孤立单元，从而割裂了完整情节，使时间顺序和事件之间的因果关系变得隐式。结果，RPA 可以回忆“发生了什么”，却无法可靠地推理过去经历应在“何时”以及“为何”影响当前行为，进而导致叙事不一致和时间泄漏 [Ahnet al.,2024](https://arxiv.org/html/2608.05170#bib.bib27)。此外，参数化记忆往往丢弃细粒度的事件细节，且可解释性有限，进一步限制其在以角色为中心的推理中的应用。

为解决上述挑战，我们提出 DREAM（Dynamic Role-playing via Event-Aware Memory），一个具有事件感知记忆和动态画像的角色扮演多智能体系统。DREAM 将角色经历显式地组织为事件感知记忆图（EMG），其中的事件按时间顺序和因果依赖关系进行组织。在 EMG 中，每个事件既编码全局叙事上下文，也编码细粒度的角色动态，使智能体能够推理过往经历如何塑造角色发展。在交互过程中，DREAM 从 EMG 中检索在时间上有效的记忆，动态合成基于事件的角色画像，确保响应生成与角色在故事情节中随时间变化的认知状态保持一致。

具体来说，DREAM 通过双粒度从文学文本中提取信息来构建 EMG，即宏观层面的全局叙事上下文和微观层面的细粒度动态。在宏观层面，它捕获事件背景、世界设定和角色属性。在微观层面，它采用因果叙事链来捕获单元情节内细粒度的情绪–认知–行为动态，这一思路受到成熟的心理学的激活事件–