Bör en fiktiv AI-karaktär minnas fakta eller känslor?

Ett faktum beskriver en händelse eller ett tillstånd i berättelsen: Mara lämnade mässingsnyckeln på fönsterbrädan före stormen. En karaktärs reaktion beskriver karaktärens upplevelse: Mara sa senare att hon kände sig lättad när nyckeln hittades. En tolkning går längre: kanske var hon rädd att någon skulle upptäcka vad nyckeln öppnade. De två första kan fastställas direkt i en scen; det tredje är en hypotes om inte en senare scen bekräftar det.

De här skillnaderna spelar roll eftersom en modell kan omvandla en rimlig förklaring till en ihågkommen händelse när den sammanfattar ett långt samtal. Forskning om generativa agenter beskriver en minnesström från vilken relevanta poster hämtas, tillsammans med en process som sammanställer reflektioner på högre nivå. Författarna rapporterar att observation, planering och reflektion alla bidrog till trovärdigheten i deras experimentmiljö. För karaktärsskrivande är den arkitekturen en användbar uppmaning att behålla både scener och sammanfattningar, samtidigt som sammanfattningar märks som härledda tolkningar snarare än ursprungliga händelser. Generative Agents: Interactive Simulacra of Human Behavior

Spara detaljer som berättelsen uttryckligen fastställer eller som användaren bekräftar som kanon: vilka som var närvarande, vad som sades eller gjordes, var ett föremål lämnades och vilka händelser som följde på varandra. Ha källan nära till hands. En kort anteckning kan lyda: ”Under scenen på stationen gav Ivo mässingsnyckeln till Mara. Källa: sammanfattning av scenen bekräftad av användaren.” Om en karaktär säger något om sin egen reaktion, anteckna även vem som sa det: ”Mara sa att hon kände sig lättad när Ivo kom tillbaka. Källa: Maras dialog i scenen på stationen.”

Detta är en praktisk tillämpning av proveniens: W3C:s PROV-modell beskriver information om entiteter, aktiviteter och aktörer som varit involverade i att skapa något, så dess historik kan hjälpa läsare att bedöma tillförlitligheten. Det är ingen regel för karaktärsskrivande, men den antyder ett användbart designval: bevara var ett minne kommer ifrån och hur det skapades. W3C PROV-O: The PROV Ontology

Återge reaktioner med karaktärens egen röst och knyt dem till scenen eller uttalandet som stöder dem. ”Jag skämdes när jag tappade kartan” är starkare belägg för karaktärens uttryckta känsla än ”Karaktären tittade bort”, vilket är en observerbar handling som kan tolkas på flera sätt. En scen kan innehålla båda: ”Mara tittade bort efter att kartan hade fallit. Hon förklarade inte varför.” Om Mara senare säger att hon skämdes, lägg till det som ett senare uttalande; skriv inte tyst om den tidigare observationen som om den vore ett bevis.

Känslor kan förändras. En användbar anteckning kan bevara tidpunkten och sammanhanget för varje reaktion i stället för att platta till dem till ett permanent personlighetsdrag. ”Mara sa att hon kände sig lättad när nyckeln hittades” och ”Mara sa senare att hon kände sig orolig över vem som hade behållit den” kan båda fortfarande vara sanna. En studie från 2025 om episodiskt minne för dialog delar upp minnesfragment i faktamässig, upplevelsebaserad och subjektiv information och representerar relationer mellan objekt över flera sessioner. Resultaten gäller konversations-AI, inte kvaliteten på fiktiva karaktärer; kategorierna ger ändå en välgrundad utgångspunkt för att hålla en scen, en upplevelse och en tolkning åtskilda. Pre-Storage Reasoning for Episodic Memory

Spara en tolkning som en möjlighet tillsammans med dess belägg, upphovsperson och status. Till exempel: ”Möjlig tolkning: Mara kan ha varit orolig för nyckeln. Grund: hon tittade bort och bytte ämne. Status: obekräftad.” Då finns det något att återkomma till i framtida skrivande, samtidigt som det är tydligt att ingen scen har fastställt hennes motiv. Om berättelsen senare bekräftar eller avfärdar tolkningen kan du uppdatera dess status och behålla de tidigare beläggen där det är användbart.

Dra inga slutsatser om en verklig användares känslotillstånd utifrån fiktiv dialog, ett val i rollspel eller en tvetydig handling. Håll uppgifter om den verkliga deltagaren åtskilda från karaktärens berättelse; för endast över information om deltagaren om hen uttryckligen uppger den och bekräftar att den är relevant. Den här gränsdragningen är en designrekommendation för uppgiften, inte ett påstående om att en känsla går att upptäcka tillförlitligt utifrån en viss fras eller gest. Inom dialogforskning kan osäkerhet representeras som ett möjligt systemutfall i stället för att tvinga fram en bästa gissning: en ACL-artikel undersöker klassificering av osäkerhet och ett alternativ av typen ”inget av ovanstående” vid hämtning av svar. Det stöder den mer avgränsade designlärdomen att ett minnes- eller svarssystem kan bevara osäkerhet i stället för att låtsas att varje fråga har ett avgjort svar. ”None of the Above”: Measure Uncertainty in Dialog Response Retrieval

En kortfattad anteckning kan använda separata fält för händelsen, källan, karaktärens egen uttryckta reaktion och eventuella olösta tolkningar. Det här schemat är ett redaktionellt verktyg, inte en standard som krävs av den citerade forskningen:

Fält: Händelse; Vad som ska antecknas: Bekräftad handling eller tillstånd; Exempel: Ivo gav Mara mässingsnyckeln på stationen.

Fält: Källa; Vad som ska antecknas: Var informationen kom ifrån; Exempel: Sammanfattning av scenen bekräftad av användaren.

Fält: Karaktärens uttalande; Vad som ska antecknas: Karaktärens egen beskrivning av sin reaktion; Exempel: Mara sa att hon kände sig lättad när den lämnades tillbaka.

Fält: Observation; Vad som ska antecknas: Synlig eller hörbar detalj utan antaget motiv; Exempel: Mara tittade bort innan hon svarade.

Fält: Tolkning; Vad som ska antecknas: En möjlig tolkning, märkt som obekräftad; Exempel: Hon kan ha känt sig orolig; scenen fastställer inte varför.

Fält: Status; Vad som ska antecknas: Kanon, uttryckt, härlett eller olöst; Exempel: Händelse: kanon; reaktion: uttryckt; motiv: olöst.

Den här uppdelningen liknar schemabaserad spårning av dialogtillstånd, där ett system fyller i värden i fördefinierade fält i stället för att behandla all samtalstext som en enda odifferentierad post. Den citerade studien handlar om målinriktad dialog, så att tillämpa idén på berättelseminne är en analogi; den praktiska nyttan här är helt enkelt att varje slags information får en bestämd plats. Dialogue State Tracking with a Language Model using Schema-Driven Prompting

Efter en scen ska du först bara plocka ut händelser som scenen eller användaren tydligt bekräftar. Lägg sedan till reaktioner som karaktären uttryckligen anger och bevara scenen och vem som talade. Anteckna till sist tolkningar separat, med en kort motivering och en markering om att de är olösta. När du hämtar information, föredra den ursprungliga scenen eller det ursprungliga uttalandet när det finns tillgängligt; använd en sammanfattning som hänvisning, inte som starkare belägg än källan den sammanfattar.

När nytt skrivande förändrar berättelsen ska du medvetet uppdatera det relevanta faktumet. Om två versioner står i konflikt, låt konflikten vara synlig tills användaren löser den eller berättelsen fastställer vad som hände. Avgör inte konflikten genom att välja den version som låter mest sammanhängande. W3C:s proveniensmaterial beskriver hur entiteter, aktiviteter, attribution och härledning kan dokumenteras; tillämpar man den idén här kan en skribent spåra en sammanfattning tillbaka till en scen och skilja ursprungligt material från en senare tolkning. PROV Overview

När du avgör vad en karaktär bör minnas kan du fråga: Fastställdes detta direkt, och vem sa eller visade det? Om svaret är tydligt, bevara faktumet i berättelsen tillsammans med källan. Om karaktären uttryckte en känsla, bevara den som karaktärens reaktion i det ögonblicket. Om anteckningen beskriver ett motiv, en känsla eller en betydelse som ingen har bekräftat, märk den som en tolkning eller låt den förbli öppen. Resultatet blir ett minne som stöder kontinuitet och karaktärens röst, samtidigt som berättelsens obesvarade frågor får förbli obesvarade.