يظل الحفاظ على شخصيات عالية الدقة وتتبع الحقائق السردية الموثوقة تحديًا كبيرًا لأنظمة لعب الأدوار المعتمدة على نماذج اللغة الكبرى، خاصة في سيناريوهات السياق الطويل. غالبًا ما تكافح الطرق التقليدية المُعزَّزة بالاستخراج (RAG)، التي تعتمد عادة على استرجاع ثابت وبدون حالة، لالتقاط ديناميكيات الحبكة المتطورة، مما يؤدي إلى هلاوس للشخصيات وتناقضات منطقية خلال التفاعلات الممتدة. ولمعالجة هذه القيود، نقدم FictionRAG، إطارًا جديدًا ذو حالة ومدعوم بالاستخراج مصمم لتعزيز لعب الأدوار السردي الطويل. يقدم FictionRAG بنية ذاكرة هرمية تقسم المعلومات السردية إلى ثلاثة مسارات متميزة: الأحداث الواقعية، سمات الشخصية، وقيود النظرة العالمية. علاوة على ذلك، يستخدم حلقة تنظيمية ميتا-إدراكية مدفوعة بالفشل تحدد وتتصلح بشكل ديناميكي أوجه القصور في الاسترجاع—مثل انحراف الشخصية أو تعارض القواعد العالمية—قبل توليد الرد. من خلال معاملة لعب الأدوار كمشكلة تتبع حالة ديناميكية بدلاً من مجرد إجابة عن سؤال، يضمن FictionRAG أن تكون الردود المولدة مؤسّسة بدقة على كل من جدول السرد والملف النفسي للشخصية. تُظهر تجارب شاملة على مجموعة بيانات تضم عشرين رواية كلاسيكية أن FictionRAG يتفوق بشكل ملحوظ على الأساليب الأساسية الحالية في الدقة الواقعية واستقرار الشخصية واتساق النظرة العالمية. إلى جانب لعب الأدوار الأدبي، تشير هذه النتائج إلى أن الاسترجاع ذي الحالة والمقيد بالأدلة يمكن أن يكون آلية عامة لمهام التوليد طويلة الشكل القابلة للتحكم والتي تتطلب تتبع حالة مستمرة واتساق متعدد الأبعاد.
درس Deng وآخرون (Mon,) هذا السؤال.