💬 NLP

The Story Shapes the Agent: Narrative Priors in LLM Behavior

Este artigo demonstra que o enquadramento narrativo de uma tarefa exerce uma influência significativamente mais forte sobre o comportamento de agentes de LLM do que a persona atribuída, revelando que os "priors narrativos" impulsionam tendências de ação sistemáticas, enquanto a transferência transnarrativa eficaz depende de fundamentar as instruções em ações concretas em vez de descrições abstratas.

Autores originais: Yixuan Wang, James Lester, Shashank Srivastava

Publicado 2026-07-22

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Yixuan Wang, James Lester, Shashank Srivastava

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é o diretor de uma companhia de teatro massiva e de alta tecnologia. Seus atores são incrivelmente inteligentes, mas também são telas em branco esperando por um roteiro. No mundo da inteligência artificial, esses atores são Modelos de Linguagem de Grande Escala (LLMs), e os "roteiros" que damos a eles para guiar seu comportamento são chamados de personas. Uma persona é como uma descrição de personagem: você pode dizer à IA, "Você é um detetive metódico que adora ler pistas", ou "Você é um amigo tagarela que aprende conversando". Por muito tempo, os desenvolvedores assumiram que, se dessem uma personalidade forte a uma IA, essa personalidade permaneceria constante, não importa qual fosse o trabalho que a IA estivesse realizando. Eles pensavam que o "personagem" era a coisa mais importante. Mas há uma reviravolta: todo trabalho também vem com uma história ou um cenário. O detetive está resolvendo um assassinato em uma mansão assombrada? É o mesmo detetive consertando um computador quebrado em um escritório de tecnologia? Ou ele está investigando um vírus estranho em um laboratório tropical? A grande questão que os pesquisadores queriam responder era simples: Quando a IA entra em uma nova história, sua personalidade permanece a mesma ou a própria história assume o controle e muda a forma como o ator se comporta?

Este artigo, intitulado "A História Molda o Agente", mergulha exatamente nesse mistério. Os pesquisadores montaram um experimento inteligente usando três "jogos" diferentes que parecem completamente distintos na superfície, mas que são, na verdade, idênticos por baixo. Pense nisso como três videogames diferentes: um é um mistério médico, outro é um trabalho de reparo de computador e o outro é um clássico mistério de assassinato. Mesmo que as histórias sejam totalmente diferentes, as regras dos jogos são exatamente as mesmas. Em cada jogo, o jogador tem os mesmos quatro movimentos: ele pode ler documentos, falar com pessoas, testar coisas (como executar um diagnóstico ou um teste de laboratório) ou mover-se. Os pesquisadores deram as mesmas 10 "personalidades" diferentes para três modelos de IA diferentes jogarem todos os três jogos, criando quase 2.000 sessões únicas.

Os resultados foram uma grande surpresa. Os pesquisadores descobriram que a história (a narrativa) era a verdadeira chefe, não a personalidade. Na verdade, a história explicou de 5 a 31 vezes mais o comportamento da IA do que a persona atribuída. Se você dissesse a uma IA para ser "social e tagarela", ela agiria assim em um mistério de assassinato, mas em um jogo de reparo de computador, a história de "consertar tecnologia" faria com que ela ignorasse as pessoas e apenas lesse manuais. A IA não estava adaptando sua personalidade; ela estava caindo em uma armadilha de "priors narrativos". Estes são como hábitos invisíveis que a IA aprendeu de todos os livros e filmes que leu enquanto estava sendo treinada. Quando a história soava como um hospital, a IA agia como um médico (falando com pessoas). Quando soava como uma cena de crime, a IA agia como um detetive (realizando testes).

Aqui está o ponto crucial: esses hábitos movidos pela história frequentemente tornavam a IA pior no jogo. Em duas das três histórias, a reação "natural" da IA ao cenário na verdade prejudicou suas chances de vencer. Os pesquisadores também descobriram que algumas personalidades conseguiram, sim, manter a consistência através de diferentes histórias, mas apenas se fossem construídas sobre âncoras comportamentais. Estas são instruções específicas e concretas, como "Eu prefiro falar" (que liga diretamente à ação de "falar"). Se uma personalidade fosse descrita com palavras vagas e abstratas como "Eu sou um pensador de visão macro", a IA esqueceria completamente essa instrução assim que a história mudasse. Para provar isso, eles pegaram uma personalidade que funcionava bem, removeram as palavras de ação concretas e a reescreveram para soar elegante, porém vaga. O resultado? A consistência da IA caiu 95%.

Então, qual é a lição? Se você quer que uma IA se comporte da mesma maneira em diferentes situações, você não pode apenas dar a ela uma descrição de personalidade legal. Você tem que dar a ela instruções concretas, baseadas em ações, que correspondam às ferramentas que ela possui. A história que envolve uma tarefa é poderosa o suficiente para reescrever o roteiro e, a menos que você fundamente suas instruções em ações específicas, a IA deixará a história assumir o volante.

Resumo Técnico: A História Molda o Agente: Priores Narrativas no Comportamento de LLMs

Declaração do Problema

Praticantes frequentemente recorrem ao prompt de persona para direcionar o comportamento de agentes de Grandes Modelos de Linguagem (LLMs), operando sob a suposição de que traços disposicionais atribuídos (ex: "metódico", "social") governarão o comportamento de forma consistente em diferentes domínios de tarefas. No entanto, trabalhos anteriores focaram amplamente na consistência da persona dentro de uma única conversa ou diálogo, deixando não testada a suposição crítica de que o comportamento induzido pela persona se generaliza quando um agente é redesployado em um domínio de tarefa diferente. A questão central abordada é: Quando o comportamento de um agente muda entre domínios de tarefa, a persona está se adaptando ou outro processo está assumindo o controle? Especificamente, o enquadramento narrativo de uma tarefa sobrepõe-se à persona atribuída?

Metodologia

Para isolar o efeito da narrativa da estrutura de decisão, os autores empregam um framework de isomorfismo estrutural. Eles constroem três jogos de investigação baseados em texto que compartilham:

Espaços de Ação: Quatro tipos principais de ação (ler, falar, testar, mover).
Progressão de Estágios: Quatro estágios fixos (categorizar, identificar, rastrear, resolver).
Restrições de Recursos: Limites de acesso único por estágio e resets de memória entre os estágios.
Cenários: Sete cenários distintos por jogo.

A única variável é a narrativa de superfície:

Crystal Island (CI): Investigação de doença (Médico).
Sequential Diagnosis (SD): Solução de problemas de TI (Corporativo).
Mansion Mystery (MM): Mistério de assassinato (Crime).

Configuração Experimental:

Modelos: Três arquitetias distintas (LLaMA-3.1-70B, GPT-4o, GPT-4o-OSS-120B).
Personas: 10 personas fundamentadas na teoria dos estilos de aprendizagem da psicologia educacional (ex: "social colaborativo", "metódico minucioso").
Escala: 1.890 sessões totais (10 personas × 7 cenários × 3 tentativas × 3 modelos × 3 narrativas).
Métricas: 16 características comportamentais normalizadas, incluindo proporções de ação (ler/falar/testar/mover), eficiência de exploração e consistência de decisão.

Principais Contribuições

Identificação de Priores Narrativas: O artigo define e isola priores narrativas — tendências comportamentais sistemáticas ativadas pelo enquadramento da história de uma tarefa, independentes de sua estrutura de decisão. Estas são mostradas como vieses implícitos herdados dos corpora de pré-treinamento.
Quantificação de Variância: Através de decomposição de variância (ANOVA) e classificação, o estudo demonstra que o enquadramento narrativo explica 5 a 31× mais variância comportamental do que a persona atribuída para ações de coleta de informações.
Âncoras Comportamentais: Os autores identificam as âncoras comportamentais como o mecanismo para a transferência entre narrativas. Estas são descrições de persona que contêm palavras de ação concretas (ex: "conversação" mapeando para a ação falar) que se vinculam diretamente ao espaço de ação compartilhado.
Validação Causal: Através de experimentos de intervenção, o artigo confirma causalmente que remover palavras de âncora de uma persona reduz a consistência entre narrativas em 95%, provando que descrições psicológicas abstratas são insuficientes para um comportamento portátil.
Framework de Generalização: O framework de isomorfismo estrutural é validado em uma quarta narrativa retida (Cooking Kitchen) e usado para desenvolver um método de seleção de persona que melhora a transferibilidade entre narrativas.

Principais Resultados

1. Dominância da Narrativa

A narrativa da tarefa é o principal motor do comportamento do agente.

Variância: A narrativa explica significativamente mais variância do que a persona (5–31×) para as ações de ler, falar e testar.
Classificação: Modelos podem prever a narrativa com 99,7–100% de precisão baseados no comportamento, enquanto a precisão de classificação da persona é de apenas 24,6–41,3% (ligeiramente acima do acaso).
Estereótipos de Domínio: Agentes adotam comportamentos estereotipados do domínio, independentemente da persona:
- Médico (CI): Alta proporção de falar.
- TI (SD): Alta proporção de ler.
- Crime (MM): Alta proporção de testar.
Impacto no Desempenho: Esses comportamentos enviesados pela narrativa são frequentemente negativamente correlacionados com o sucesso da tarefa. Por exemplo, o viés de alta taxa de falar no domínio médico correlaciona-se negativamente com o sucesso em dois de três modelos.

2. Transferência e Consistência de Persona

Efeitos Confinados à Narrativa: Embora as personas moldem o comportamento significativamente dentro de uma narrativa fixa (explicando até 64% da variância em alguns casos), sua influência colapsa entre as narrativas. A classificação de transferência entre narrativas média é de 10,4%, pouco acima da linha de base de 10% do acaso.
Índice de Consistência Comportamental (BCI): Os autores introduzem o BCI para medir quais personas mantêm assinaturas reconhecíveis entre narrativas. Apenas 5 de 10 personas mantêm um BCI positivo em todos os modelos.
O Mecanismo de Âncora: Personas de alto BCI possuem âncoras comportamentais. A análise de regressão mostra uma forte correlação ( $R^2 = 0,65$ $R^{2} = 0, 65$ ) entre o número de âncoras e o BCI.
- Exemplo: "Social colaborativo" (âncoras: "conversação", "discussão") mantém alta consistência. "Visão macro conceitual" (sem âncoras) possui consistência negativa.

3. Experimentos de Intervenção

Papel Causal das Âncoras: Reescrever a persona "social colaborativo" para remover palavras de ação concretas (substituindo "conversação" por "intercâmbio epistêmico" abstrato) reduziu o BCI em 95% (de +0,22 para +0,01).
Predição de Novos Domínios: O framework previu com sucesso os priores comportamentais no domínio "Cooking Kitchen", confirmando que os priores narrativos refletem associações de pré-treinamento em vez de aprendizado específico da tarefa.
Robustez: Os priores narrativos persistem mesmo quando:
- Verbos de ação são substituídos por códigos abstratos (ex: "AÇÃO ALFA").
- Diretivas comportamentais explícitas (ex: "realize 60% de ações de falar") são impostas. Em alguns casos, o prior narrativo (ex: o viés de testes forenses em MM) sobrepõe-se completamente à diretiva.

Significância e Alegações

O artigo argumenta que o prompt de persona não é uma interface de controle invariante ao contexto. A história que envolve uma tarefa pode moldar o comportamento do agente com mais força do que a própria persona.

Desafio de Confiabilidade: Implantar a mesma persona em diferentes domínios é arriscado porque o comportamento induzido pela narrativa pode degradar ativamente o desempenho.
Princípio de Design: Para um controle comportamental que sobreviva às mudanças de tarefa, as personas devem ser fundamentadas em ações concretas, em vez de traços abstratos. As descrições devem mapear diretamente para o espaço de ação disponível (ex: "priorizar a leitura de documentos" vs. "ser minucioso").
Contribuição Metodológica: O framework de isomorfismo estrutural fornece uma ferramenta de diagnóstico para medir a influência da narrativa, e a análise de âncora comportamental oferece um caminho prático para projetar comportamentos de agentes robustos e portáteis.

Os autores concluem que entender e mitigar os priores narrativos é essencial para construir agentes de LLM com comportamentos confiáveis em diversos domínios.