从故事线推导角色逻辑：编码决策树方法 Deriving Character Logic from Storyline as Codified Decision Trees
提出编码决策树（CDT）框架，从叙事数据自动生成可执行的角色行为档案，显著优于人工编写档案
前置知识
角色扮演（Role-Playing, RP）
RP系统旨在让LLM模拟特定角色的行为模式，在情感支持、创意写作、游戏引擎等场景中有广泛应用。系统接收场景作为输入，输出符合角色性格的行动或对话。核心挑战在于如何将角色的背景知识（称为'档案'或'profile'）有效注入到LLM中，使其在不同场景下保持行为一致性。
本文的核心问题就是改进RP系统的行为档案构建方法，理解RP任务的基本框架是理解本文动机和贡献的前提
编码档案（Codified Profile）
编码档案是将自然语言描述的角色特征转换为可执行函数的过程。例如，'该角色总是勇敢面对挑战'会被编码为：如果场景检查函数check(scene, '存在挑战?')返回True，则返回'勇敢'。check函数可以由LLM或微调模型执行。这种编码化设计提供了明确、可执行的约束，比静态文本档案具有更好的一致性和可解释性。
编码档案是本文方法的理论基础，CDT就是自动构建编码档案的框架
决策树（Decision Tree）
决策树是一种监督学习算法，通过一系列条件判断将数据分类。内部节点对应特征条件，叶节点对应分类结果。决策路径可解释、可可视化，适合表示层次化的决策逻辑。本文受此启发，但将其改造为表示角色行为规则的结构。
CDT的核心数据结构直接借鉴决策树的设计，理解决策树的工作原理有助于理解CDT的遍历和构建机制
自然语言推理（Natural Language Inference, NLI）
NLI是判断两个句子之间逻辑关系的任务：蕴含（entailment）、中立（neutral）或矛盾（contradiction）。在RP评估中，NLI用于判断预测行动是否与参考行动逻辑一致：蕴含表示100分（完全符合），中立表示50分（部分符合），矛盾表示0分（完全不符合）。
NLI是本文评估RP系统性能的核心指标，所有实验结果都基于NLI得分
研究动机
现有RP系统的行为档案存在三个核心问题。首先，档案是非结构化的纯文本形式，难以验证其准确性和完整性。例如，手工编写的Wiki角色档案往往只涵盖主要性格特征，无法覆盖所有场景下的行为模式。其次，现有档案不可执行，LLM只能通过理解文本来推断角色行为，无法强制执行特定的逻辑规则，导致行为不一致。第三，现有自动档案构建方法（如ETA）虽然能从故事线中提取信息，但采用'提取-聚合'的方式将不同情境下的行为混在一起，无法区分角色在不同场景下的差异化行为。具体数据表明，在Fandom基准上，人类手工编写的档案平均得分仅58.33，甚至低于某些数据驱动方法，说明人工档案的覆盖面和场景适配性有限。
本文的目标是本文的目标是开发一个数据驱动的框架，能够从大规模叙事数据（故事线）中自动归纳出可执行、可解释的角色行为档案。具体目标包括：1）构建编码决策树（CDT）结构，将角色行为表示为条件规则的层次化树；2）实现自动化的假设-验证机制，通过LLM提出候选规则并用数据验证；3）在16个不同作品、85个角色上进行全面评估，证明CDT优于人工档案和现有方法；4）提供透明的可检查结构，支持编辑和扩展。
与已有工作不同的是，本文的独特切入角度在于三个关键观察。第一，现有方法将规则提取视为扁平、无结构的过程，而CDT采用层次化、递归的结构来编码不同复杂度的行为逻辑。第二，现有方法（如基于图的记忆、世界模型）需要手工设计模式或领域特定规则，而CDT完全从数据中自动构建。第三，现有编码档案依赖人工编写的档案作为输入，而CDT直接从场景-行动对中归纳编码函数，无需预定义的角色描述。这种'数据驱动的编码化'是本文与已有工作最本质的区别。
核心方法
CDT的核心思想可以用一个类比来理解：想象一个资深的导演在分析一个角色的行为模式。他不会只看一段剧情就下结论，而是会收集大量场景-行动对，将相似的场景分组，然后从每组中总结出触发条件（'如果...'）和行为规则（'那么...'）。接着，他会用这些规则去验证更多的数据，确认其普适性。如果某个规则在特定场景下总是成立，就将其固化；如果不成立，就继续细化，形成更具体的子规则。CDT就是用LLM来模拟这个分析过程，通过聚类、假设、验证、递归细化四个步骤，自动构建出一个层次化的决策树。技术路线是：首先用嵌入模型将场景-行动对聚类，然后让LLM从每个聚类中假设触发条件和行为语句，接着用NLI验证这些假设的准确性，最后根据验证结果决定是接受、拒绝还是继续细化，递归构建子树。
CDT与已有方法最本质的区别在于其'假设-验证-递归细化'的构建机制。具体来说，已有方法（如ETA）采用'提取-聚合'范式：先从故事块中提取文本子档案，然后将它们聚合为单一档案。这种方法的问题在于，不同情境下的行为被混合在一起，无法区分角色在场景A下的行为和场景B下的行为。CDT的创新在于：1）它不追求构建单一档案，而是构建一个决策树，不同场景会沿着不同的路径遍历，获得不同的行为规则；2）它引入了明确的验证步骤，只有通过数据验证的规则才会被保留；3）它支持递归细化，对于部分正确的规则，不会简单丢弃，而是在过滤后的数据子集上继续生长子树，捕捉更复杂的行为模式。这种设计使得CDT能够建模不同粒度的行为逻辑，从全局性格特征到场景特定的行为反应。
方法步骤详情
CDT的构建过程包含以下步骤。第一步是数据准备：收集角色的场景-行动对数据集D = {(s_i, a_i)}，每个场景由前10个动作组成。第二步是聚类：使用文本嵌入模型（qwen3-embedding-8b）对场景和行动分别编码，其中场景使用指令跟随嵌入以捕捉触发行为的语义，然后对拼接嵌入进行K-Means聚类。第三步是假设生成：对每个聚类，提示LLM（gpt-4.1）生成k个触发条件q和行为语句h的配对，格式为'如果q，则h'。第四步是全局验证：对于每个假设(q, h)，首先检查h是否为全局适用的行为（不依赖q），通过NLI判断所有数据的蕴含率re。如果re > θ_accept（0.75），则直接添加到节点的语句集合中。第五步是条件验证：对于不满足全局条件的假设，过滤出满足q的数据子集D'，在D'上计算h的准确率。如果准确率 > θ_accept，创建叶节点；如果 < θ_reject（0.50），丢弃；如果介于两者之间，创建子节点并递归生长。第六步是多样化：在生成假设时，将父节点的问题路径和已建立的语句传递给子节点，指导LLM提出不同的规则。第七步是推理时遍历：给定新场景，从根节点开始，沿着check(s, q)返回True的边遍历，收集访问节点上的所有语句作为行为约束。
技术新颖性
CDT的技术新颖性体现在三个方面。第一，它是首个将角色行为档案构建为编码决策树的方法，将扁平的文本档案转化为层次化的可执行结构。与现有的图结构记忆、层次化记忆不同，CDT的结构是通过数据驱动的假设-验证机制自动学习的，而非手工设计。第二，CDT引入了递归细化机制来处理部分正确的行为规则。传统方法要么接受要么拒绝规则，而CDT能够识别出规则在特定条件下成立，通过构建子树来扩展其表达能力。第三，CDT的构建过程结合了LLM的语言生成能力和传统机器学习的验证机制，LLM负责提出创造性假设，而数据验证负责确保假设的可靠性，这种分工协作的方式既发挥了LLM的优势，又避免了其幻觉问题。此外，CDT-Lite通过蒸馏一个0.1B的编码器模型来替代昂贵的LLM验证，大幅降低了计算成本，同时保持了大部分性能。
实验结果
实验结果表明CDT在多个基准上显著优于所有基线方法。在细粒度Fandom基准上，CDT平均NLI得分为60.82，CDT-Lite为61.01，而人类手工档案仅为58.33，ETA为56.91。在Bandori基准上，CDT平均得分为77.71，CDT-Lite为79.04，人类档案为71.28，ETA为72.25。这些结果表明数据驱动的编码化档案能够超越人工构建的档案。消融研究验证了各个组件的重要性：移除语句验证（w/ Abolished Statements）导致性能下降约1.5分，移除聚类（w/o Clustering）下降约1.5分，移除指令嵌入（w/o Inst. Embed.）下降约1.3分，移除多样化（w/o Diversification）下降约0.8分。关于节点深度，dmax=4时性能最佳，但dmax=3已接近饱和，说明3-4层的树结构足以捕获大部分行为模式。扩展性分析显示，CDT随训练数据量增加而稳步提升，在Fandom上仅用64个训练对就超过人类档案，在Bandori上数据扩展到1024对仍有持续收益。关系建模实验（Goal-driven CDT）展示了CDT建模细粒度交互模式的能力，针对特定角色对的CDT在目标子集上平均提升3.5分。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| 细粒度Fandom基准（8个作品平均） | NLI得分 | CDT: 60.82, CDT-Lite: 61.01 | 人类档案: 58.33, ETA: 56.91, Vanilla: 55.57 | CDT-Lite比人类档案高2.68分，比ETA高4.10分 |
| Bandori对话基准（8个乐队平均） | NLI得分 | CDT: 77.71, CDT-Lite: 79.04 | 人类档案: 71.28, ETA: 72.25, Vanilla: 65.50 | CDT-Lite比人类档案高7.76分，比ETA高6.79分 |
| 域外泛化（Bandori事件故事） | NLI得分 | CDT: 80.40（8个乐队平均） | Vanilla: 69.83, 人类档案: 71.39 | CDT比人类档案高9.01分 |
| 开放域RP评估（Fandom） | 人类/LLM偏好率 | CDT: 39.0%/38.0% | 人类档案: 27.5%/26.0% | CDT比人类档案高出11.5%/12.0% |
局限与改进
论文承认了几个局限性。第一，CDT目前仅依赖故事线中的场景-行动对，不整合预设的角色信息（如经典特征或作者意图），作者解释这是为了隔离数据驱动档案构建的效果，避免引入外部人类先验。第二，CDT是离线构建的，保持静态，无法捕捉演化中的叙事，支持增量或持续更新是重要的未来方向。第三，虽然聚焦于角色扮演，但CDT框架是通用的，可以扩展到其他情境感知行为建模任务，如任务导向代理或具身决策。从独立分析来看，CDT的构建成本仍然较高，需要大量LLM调用进行假设生成和验证，尽管CDT-Lite通过蒸馏显著降低了验证成本，但整体流程仍然复杂。此外，CDT的性能高度依赖聚类质量和LLM的假设能力，对于数据稀疏的角色可能难以构建有效的树结构。
独立分析的弱点
CDT存在几个值得关注的弱点。首先，聚类步骤对性能影响显著，但聚类质量难以保证。当场景-行动对数据稀疏或语义多样性低时，聚类可能无法产生有意义的分组，导致假设质量下降。改进方向可以探索更先进的聚类算法或引入基于规则的引导聚类。其次，LLM假设生成存在偏差和不一致性，不同运行可能产生不同的假设集合，影响CDT的可重复性。可以通过多次运行取交集或引入置信度估计来缓解。第三，当前验证机制仅基于NLI的二元判断（蕴含/矛盾），对于部分正确的规则缺乏细粒度的评估。可以考虑引入基于相似度的软验证。第四，CDT的推理效率虽然较高（使用蒸馏判别器），但树结构的存储和遍历在大规模部署时仍有优化空间，特别是对于具有数百个节点的大型CDT。
未来方向
论文作者提出了三个未来研究方向。第一，扩展到多角色联合档案建模和交互建模，当前CDT针对单个角色构建，但实际RP场景中角色间存在复杂的交互模式，联合建模可以捕获这些关系。第二，支持从交互式RP日志中进行持续和在线更新，解决当前离线构建的局限性。第三，扩展到多模态设置，当场景包含视觉或游戏状态信号时，如何将这些信息整合到CDT的决策逻辑中。基于本文成果，还可以延伸到：1）将CDT应用于任务导向代理，建模用户的任务完成行为模式；2）探索CDT在教育领域的应用，如学生学习行为建模；3）研究CDT与强化学习的结合，利用CDT的可解释性来指导策略学习。
复现评估
复现评估显示CDT具有良好的可复现性。论文完全开源了代码和数据集（GitHub: KomeijiForce/Codified_Decision_Tree），包括Fandom基准和Bandori基准的所有数据。算力需求方面，CDT-Lite使用gpt-4.1进行假设生成，gpt-4.1-mini或蒸馏的deberta-v3-base进行验证，整体训练成本可控。论文提供了详细的超参数设置（θ_accept=0.75, θ_reject=0.75, 最大深度4，每节点最多8个聚类），并展示了不同配置下的性能稳定性。对于资源受限的场景，可以使用CDT-Lite变体，仅需16个训练对即可超越人类档案。复现难度中等，主要挑战在于聚类质量的调优和LLM假设生成的prompt设计，但论文提供了完整的prompt模板（Figures 12-14），降低了复现门槛。
论文图表
