Czy fikcyjna postać AI powinna pamiętać fakty czy uczucia?

Fakt opisuje wydarzenie lub stan w fabule: Mara zostawiła mosiężny klucz na parapecie przed burzą. Reakcja postaci opisuje jej własne doświadczenie: Mara powiedziała później, że poczuła ulgę, gdy znaleziono klucz. Interpretacja idzie o krok dalej: być może obawiała się, że ktoś odkryje, co otwierał klucz. Dwie pierwsze informacje mogą zostać bezpośrednio ustalone w scenie; trzecia jest hipotezą, dopóki nie potwierdzi jej późniejsza scena.

Te rozróżnienia mają znaczenie, ponieważ podczas streszczania długiej rozmowy model może zamienić wiarygodne wyjaśnienie w zapamiętane wydarzenie. Badania nad agentami generatywnymi opisują strumień pamięci, z którego pobierane są istotne zapisy, oraz proces syntezy refleksji wyższego poziomu. Autorzy podają, że w ich eksperymentalnym środowisku obserwacja, planowanie i refleksja przyczyniały się do wiarygodności. W pisaniu postaci taka architektura podpowiada, by zachowywać zarówno sceny, jak i podsumowania, a podsumowania oznaczać jako wyprowadzone interpretacje, a nie pierwotne wydarzenia. Generative Agents: Interactive Simulacra of Human Behavior

Zapisuj szczegóły wyraźnie ustalone w narracji lub potwierdzone przez użytkownika jako kanon: kto był obecny, co powiedziano lub zrobiono, gdzie zostawiono przedmiot i które wydarzenia nastąpiły po innych. Zachowuj źródło w pobliżu. Krótki zapis mógłby brzmieć: „W scenie na stacji Ivo wręczył Marze mosiężny klucz. Źródło: podsumowanie sceny potwierdzone przez użytkownika”. Jeśli postać mówi o własnej reakcji, zapisz również, kto ją wyraził: „Mara powiedziała, że poczuła ulgę, gdy Ivo wrócił. Źródło: dialog Mary w scenie na stacji”.

To praktyczne zastosowanie informacji o pochodzeniu: model PROV organizacji W3C opisuje informacje o encjach, działaniach i agentach zaangażowanych w powstanie czegoś, tak aby historia ich powstania pomagała ocenić wiarygodność. Nie jest to zasada pisania postaci, ale podsuwa przydatne rozwiązanie: zachowuj informację o tym, skąd pochodzi wspomnienie i jak powstało. W3C PROV-O: The PROV Ontology

Zapisuj reakcje głosem postaci i łącz je ze sceną lub wypowiedzią, które je potwierdzają. „Było mi wstyd, kiedy upuściłam mapę” jest mocniejszym dowodem na wyrażone przez postać uczucie niż „Postać odwróciła wzrok”, bo to obserwowalne działanie można różnie interpretować. Scena może zawierać oba elementy: „Mara odwróciła wzrok po upadku mapy. Nie wyjaśniła dlaczego”. Jeśli później Mara powie, że było jej wstyd, dodaj to jako późniejszą wypowiedź; nie zmieniaj po cichu wcześniejszej obserwacji w dowód.

Uczucia mogą się zmieniać. Przydatny zapis może zachować czas i kontekst każdej reakcji, zamiast sprowadzać je do niezmiennej cechy. „Mara powiedziała, że poczuła ulgę, gdy znaleziono klucz” i „Mara powiedziała później, że niepokoiło ją, kto go przechowywał” mogą być jednocześnie prawdziwe. Badanie z 2025 roku nad pamięcią epizodyczną dialogów dzieli fragmenty pamięci na informacje faktyczne, dotyczące doświadczeń i subiektywne, a także przedstawia relacje między elementami w kolejnych sesjach. Wyniki dotyczą konwersacyjnej AI, a nie jakości fikcyjnych postaci; mimo to te kategorie stanowią oparte na badaniach podstawy do rozdzielania sceny, doświadczenia i interpretacji. Pre-Storage Reasoning for Episodic Memory

Zapisuj interpretację jako możliwość, podając jej przesłanki, autora i status. Na przykład: „Możliwa interpretacja: Mara mogła martwić się o klucz. Podstawa: odwróciła wzrok i zmieniła temat. Status: niepotwierdzona”. Dzięki temu przyszłe teksty będą mogły do niej wrócić, a jednocześnie będzie jasne, że żadna scena nie ustaliła jej motywu. Jeśli fabuła później potwierdzi lub odrzuci tę interpretację, zaktualizuj jej status, a wcześniejsze przesłanki zachowaj, jeśli nadal są przydatne.

Nie wnioskuj o stanie emocjonalnym prawdziwego użytkownika na podstawie fikcyjnego dialogu, wyboru dokonanego w odgrywaniu ról ani niejednoznacznego działania. Oddzielaj wypowiedzi o rzeczywistym uczestniku od fabuły postaci; przenoś informacje o uczestniku tylko wtedy, gdy wyraźnie je poda i potwierdzi, że są istotne. Ta granica jest zaleceniem projektowym na potrzeby tego zadania, a nie twierdzeniem, że emocję można wiarygodnie wykryć na podstawie konkretnego zwrotu lub gestu. W badaniach nad dialogiem niepewność można przedstawić jako rezultat działania systemu, zamiast wymuszać najlepszy domysł: jedna z prac ACL analizuje klasyfikowanie niepewności i opcję „żadna z powyższych” w wyszukiwaniu odpowiedzi. To potwierdza węższą wskazówkę projektową: system pamięci lub odpowiedzi może zachować niepewność, zamiast udawać, że każda kwestia ma ustaloną odpowiedź. „None of the Above”: Measure Uncertainty in Dialog Response Retrieval

Zwięzły zapis może zawierać osobne pola na wydarzenie, źródło, wyrażoną przez postać reakcję i nieustaloną interpretację. Ten schemat jest narzędziem redakcyjnym, a nie standardem wymaganym przez przywołane badania:

Pole: Wydarzenie; Co zapisać: Potwierdzone działanie lub stan; Przykład: Ivo wręczył Marze mosiężny klucz na stacji.

Pole: Źródło; Co zapisać: Skąd pochodzi informacja; Przykład: Podsumowanie sceny potwierdzone przez użytkownika.

Pole: Wypowiedź postaci; Co zapisać: Własna, opisana przez postać reakcja; Przykład: Mara powiedziała, że poczuła ulgę, gdy klucz został zwrócony.

Pole: Obserwacja; Co zapisać: Widoczny lub słyszalny szczegół bez przypisywania motywu; Przykład: Mara odwróciła wzrok, zanim odpowiedziała.

Pole: Interpretacja; Co zapisać: Możliwe odczytanie oznaczone jako niepotwierdzone; Przykład: Mogła czuć niepokój; scena nie wyjaśnia dlaczego.

Pole: Status; Co zapisać: Kanon, stwierdzone, wywnioskowane lub nierozstrzygnięte; Przykład: Wydarzenie: kanon; reakcja: stwierdzona; motyw: nierozstrzygnięty.

To rozdzielenie przypomina oparte na schemacie śledzenie stanu dialogu, w którym system wypełnia wartości w uprzednio zdefiniowanych polach, zamiast traktować cały tekst rozmowy jako jeden niezróżnicowany zapis. Przywołane badanie dotyczy dialogu zorientowanego na zadania, więc zastosowanie tego pomysłu do pamięci fabularnej jest analogią; praktyczna korzyść polega tu po prostu na tym, że każdy rodzaj informacji ma wyznaczone miejsce. Dialogue State Tracking with a Language Model using Schema-Driven Prompting

Po scenie najpierw wyodrębnij wyłącznie wydarzenia wyraźnie potwierdzone w scenie lub przez użytkownika. Następnie dodaj reakcje, które postać wyraża wprost, zachowując informację o scenie i osobie mówiącej. Na koniec zapisz interpretacje osobno, z krótkim uzasadnieniem i oznaczeniem, że pozostają nierozstrzygnięte. Podczas wyszukiwania informacji dawaj pierwszeństwo oryginalnej scenie lub wypowiedzi, jeśli są dostępne; używaj podsumowania jako odnośnika, a nie jako mocniejszego dowodu niż źródło, które streszcza.

Gdy nowy tekst zmienia fabułę, celowo zaktualizuj odpowiedni fakt. Jeśli dwie relacje są sprzeczne, zachowaj widoczną sprzeczność, dopóki użytkownik jej nie wyjaśni lub narracja nie ustali, co się wydarzyło. Nie rozstrzygaj konfliktu, wybierając relację, która brzmi najbardziej spójnie. Materiały W3C dotyczące pochodzenia informacji opisują zapisywanie encji, działań, przypisania autorstwa i pochodzenia; zastosowanie tej idei pomaga twórcy prześledzić podsumowanie aż do sceny i odróżnić materiał źródłowy od późniejszej interpretacji. PROV Overview

Zastanawiając się, co postać powinna pamiętać, zapytaj: Czy zostało to bezpośrednio ustalone i kto to powiedział lub pokazał? Jeśli odpowiedź jest jasna, zachowaj fakt fabularny wraz z jego źródłem. Jeśli postać wyraziła uczucie, zapisz je jako jej reakcję w danym momencie. Jeśli zapis opisuje motyw, emocję lub znaczenie, których nikt nie potwierdził, oznacz je jako interpretację albo pozostaw otwarte. Taka pamięć wspiera ciągłość i charakterystyczny głos postaci, a zarazem pozwala, by pytania bez odpowiedzi w fabule pozostały bez odpowiedzi.