Dlaczego sceny grupowe z udziałem AI trudniej skoordynować niż rozmowy z jedną postacią

W rozmowie jeden na jeden model zwykle może potraktować najnowszą wiadomość jako kolejną rzecz, na którą należy odpowiedzieć. W scenie grupowej postać może zwrócić się do kogoś innego niż użytkownik, odpowiedzieć na pytanie innej postaci albo milczeć, gdy scena toczy się dalej. Wymyślenie wiarygodnej kwestii to tylko część zadania; system musi też wybrać mówiącą postać i zachować informację o tym, kto komu odpowiada.

To rozróżnienie pojawia się w badaniach nad dialogiem wielostronnym. W badaniu śledzenia celów w rozmowie wielostronnej opisano, jak uczestnicy dzielą się celami, odpowiadają sobie nawzajem i przekazują informacje o celach innych osób — interakcje te nie występują w taki sam sposób w dialogu dwóch osób. Autorzy podają również, że zadanie nadal stanowiło wyzwanie dla ocenianych przez nich modeli językowych. Ustalenie to dotyczy rozmów zorientowanych na zadania, ale pokazuje, dlaczego dodanie uczestników zmienia strukturę problemu, a nie tylko liczbę głosów. Śledzenie celów w rozmowach wielostronnych z użyciem LLM

Przydatnym sposobem planowania sceny jest rozróżnienie trzech decyzji podejmowanych w każdym momencie: co właśnie się wydarzyło, kto ma powód, by zareagować, i jaka reakcja popchnęłaby wspólną scenę naprzód. Jeśli postać zabiera głos tylko dlatego, że trzeba zapełnić kolejkę, efekt często przypomina wyczytywanie z listy obecności. Jeśli jednej postaci wolno zdominować każdy moment, scena może znów stać się rozmową z jedną postacią, do której tylko dodano kolejne imiona.

Nie istnieje jedna najlepsza kolejność zabierania głosu dla każdej sceny kreatywnej. Stała rotacja jest łatwa do przewidzenia i przydatna, gdy każda postać powinna regularnie wnosić coś do rozmowy. Wybór zależny od kontekstu może sprawiać wrażenie bardziej naturalnego: postać odzywa się, gdy ostatnie działanie lub pytanie daje jej wyraźny powód. Ograniczona sekwencja może pomóc zachować określoną strukturę, na przykład pozwolić jednej postaci zaproponować plan, zanim pozostałe zareagują.

Wielopodmiotowe struktury czatu grupowego jawnie rozróżniają te możliwości. Dokumentacja AutoGen firmy Microsoft opisuje wybór mówcy przez model, kolejkę rotacyjną i konfigurowalne funkcje wyboru; selektor może korzystać z nazw i opisów uczestników oraz historii rozmowy. Dokumentacja wspomina też o domyślnej opcji, która nie pozwala temu samemu uczestnikowi zabierać głosu w dwóch kolejnych turach. To wybory dotyczące koordynacji, a nie zasady opowiadania historii, ale stanowią praktyczny zestaw możliwości przy projektowaniu sceny. Grupowy czat z selektorem AutoGen

Przed generowaniem sceny określ prostą zasadę wyboru, używając zwykłego języka. Na przykład: „Najpierw niech odpowie osoba, do której bezpośrednio się zwrócono. W przeciwnym razie wybierz postać, której ustalony cel lub obecne działanie mają największe znaczenie. Pomiń osoby, które nie mają nic użytecznego do dodania. Nie dawaj jednej osobie dwóch tur z rzędu, chyba że kończy działanie”. To sugerowana zasada projektowa, a nie gwarancja poparta pomiarami. Jej zaletą jest to, że daje systemowi powód, by wybrać mówcę, zamiast polegać na arbitralnej rotacji.

Wspólna scena nie oznacza, że każda postać powinna znać wszystkie fakty. Jedna postać mogła zobaczyć notatkę, inna usłyszeć tylko część wyjaśnienia, a trzecia mogła jeszcze nie dotrzeć na miejsce. Jeśli proces pisania przechowuje tylko jedną, nierozróżniającą informacji historię rozmowy, model może łatwo potraktować fakt wspomniany gdzieś na czacie jako wiedzę wspólną dla całej obsady.

Prowadź prosty rejestr wiedzy obok streszczenia sceny. Przy każdym ważnym fakcie zapisuj, kto go zna i skąd się o nim dowiedział. Oddzielaj informacje niepewne od potwierdzonych: „Mira podejrzewa, że koperta jest zaadresowana do Jo” to nie to samo co „Mira przeczytała kopertę”. Przed każdą turą sprawdź, czy proponowany mówca figuruje w rejestrze. Jeśli nie zna danej informacji, może zapytać, zaobserwować, zgadywać albo pozostać nieświadomy; nie powinien przedstawiać jej jako czegoś, co wie.

Badanie nad kontynuowaniem historii skupionej na postaciach wskazuje na spójność osobowości, relacje między postaciami i logiczny rozwój fabuły jako powiązane wyzwania. Autorzy dodają do kontekstu historii informacje o relacjach między postaciami i podają, że poprawiło to dokładność kontynuacji historii w porównaniu z wynikami bazowymi. Badanie nie określa jednej uniwersalnej metody śledzenia wiedzy w każdej scenie AI, ale wspiera szerszą zasadę projektową: kontekst relacji między postaciami jest częścią stanu sceny, a nie ozdobną biografią. Opowiadanie historii w dialogu wielu użytkowników przez modelowanie relacji między postaciami

Imiona przy dialogach mogą wyglądać na zwykłe formatowanie, ale poprawne przypisanie wypowiedzi pomaga zachować płynność rozmowy. Znaczenie kwestii zależy od tego, kto ją wypowiada: pytanie gospodarza może zachęcać do odpowiedzi, podczas gdy to samo pytanie zadane przez gościa może sygnalizować niepewność lub sprzeciw. Jeśli oznaczenia się rozjeżdżają, czytelnicy nie mogą wiarygodnie ustalić, kto zauważył zdarzenie, złożył obietnicę ani komu odpowiada.

Badanie nad klasyfikacją aktów dialogowych w rozmowach wielostronnych z uwzględnieniem mówcy wyraźnie wskazuje ten związek: autorzy argumentują, że wiedza o tym, kto mówił, pomaga odtworzyć intencję wypowiedzi w kontekście, a modelowanie interakcji staje się trudniejsze wraz ze wzrostem liczby rozmówców. Badacze testują metody, które reprezentują zachowanie mówcy w lokalnym kontekście rozmowy. To badanie nad rozumieniem dialogu, a nie ocena kreatywnego pisania, ale potwierdza, dlaczego stabilne oznaczenie mówcy jest informacją strukturalną. Kto mówi? Klasyfikacja aktów dialogowych w rozmowach wielostronnych z uwzględnieniem mówcy

Jak najdłużej przechowuj tożsamość mówcy jako uporządkowane dane, a dopiero potem wyświetlaj ją jako widoczną etykietę. Używaj jednego kanonicznego imienia dla każdej postaci i nie przechodź bez potrzeby między pseudonimem, tytułem a imieniem, jeśli mogłoby to wprowadzić niejasność co do autora wypowiedzi. Oddzielaj też narrację od dialogu. Wypowiedź taka jak Mira: „Zostawiłam to przy drzwiach” jasno przypisuje zarówno słowa, jak i zawarte w nich twierdzenie Mirze; kwestia bez oznaczenia, wpleciona w scenę z wieloma postaciami, rodzi niejasności.

Postacie mogą pamiętać, co się wydarzyło, ale scena potrzebuje też zwięzłego zapisu tego, co jest teraz prawdą. Po ważnym momencie aktualizuj fakty, takie jak miejsce akcji, obecne osoby, przemieszczone przedmioty, podjęte decyzje i nierozstrzygnięte kwestie. Traktuj to jako rejestr obserwowalnych zdarzeń, a nie długie odtworzenie dialogu.

Ma to znaczenie, ponieważ scena grupowa zawiera kilka perspektyw na wspólny ciąg wydarzeń. Ktoś może się mylić, inna osoba może go poprawić, a trzecia może działać, zanim usłyszy którekolwiek z nich. Oddzielny zapis wyniku od wypowiedzianych kwestii pomaga uniknąć uznania każdego stwierdzenia za fakt obowiązujący w historii. Przydatny wpis mógłby brzmieć: „Klucz leży na kuchennym blacie; Jo go tam położył. Mira go nie widziała”. Ta pojedyncza aktualizacja obejmuje zarówno wspólny stan świata, jak i granice wiedzy konkretnej osoby.

Dokumentacja koordynacji czatu grupowego opisuje synchronizowanie historii rozmowy między uczestnikami przed każdą turą i rozsyłanie każdej odpowiedzi, aby pozostali mogli korzystać ze zaktualizowanego kontekstu. Ten wzorzec inżynieryjny stanowi przydatną analogię dla fikcji: uczestnicy potrzebują dostępu do bieżącego zapisu sceny, ale wiedza postaci nadal musi mieć własne granice. Microsoft Agent Framework: koordynacja czatu grupowego

Przed wygenerowaniem sceny sporządź cztery krótkie notatki: listę postaci i bezpośredni cel każdej z nich; bieżącą wspólną sytuację; rejestr wiedzy obejmujący fakty, których nie znają wszyscy; oraz zasadę wyboru kolejnego mówcy. Podczas pisania porównuj każdą turę z tymi notatkami. Po zakończeniu sprawdź, czy nie ma błędnych oznaczeń mówców, nieuzasadnionej wiedzy, powtarzających się tur bez powodu ani zmian w scenie, których nie zapisano.

Załóżmy na przykład, że troje przyjaciół wybiera trasę przez weekendowy targ. Jedna osoba zauważyła, że wkrótce zamknie się stoisko z rękodziełem; druga porównuje kolejki po jedzenie; trzecia nie widziała jeszcze żadnego z tych znaków. Pierwsza postać może wspomnieć o zamykanym stoisku, druga może zestawić to z kolejką, a trzecia może zapytać, co ją ominęło. Jeśli trzecia od razu wspomni o znaku, nie dowiedziawszy się o nim ani nie widząc go, rejestr wiedzy ujawnia błąd ciągłości. To przykład, a nie opis przeprowadzonego eksperymentu.

Kluczowe jest koordynowanie: odpowiedzi jednej postaci głównie kontynuują pojedynczą rozmowę, podczas gdy sceny grupowe muszą jednocześnie zachować zgodność między turami, tożsamościami, wiedzą i wspólnymi wydarzeniami. Rozdzielenie tych zadań ułatwia tworzenie żywych scen bez zmuszania każdej postaci do zabierania głosu w każdej turze i bez przypisywania wszystkim tej samej wiedzy.