Enhancing Consistency of Werewolf AI through Dialogue Summarization and Persona Information

本文介绍了为 AIWolfDial 2024 共享任务开发的基于大语言模型的狼人杀 AI 智能体，该智能体通过利用对话摘要和人工设计的角色信息，有效提升了发言的一致性与角色特征的连贯性。

要点

这篇论文讲述了一个有趣的故事：研究人员给 AI 装上了“超级大脑”和“人设面具”，让它们能像真人一样玩狼人杀，而且还能在整局游戏中保持人设不崩、逻辑不乱。

想象一下，狼人杀就像一场没有剧本的即兴话剧。每个人都要扮演不同的角色（好人、狼人、预言家等），通过聊天、推理、撒谎来找出谁是卧底。这对 AI 来说很难，因为：

1. 记性不好：游戏聊了太久，AI 容易忘记前面说了什么，或者被后面的话带偏，导致前后矛盾（比如昨天说 A 是好人，今天突然说 A 是狼人，却忘了解释为什么）。
2. 性格模糊：AI 说话可能今天像个严肃的国王，明天突然变成咋咋呼呼的中学生，毫无连贯性。

为了解决这些问题，研究团队（来自日本电气通信大学）给 AI 设计了两个“秘密武器”：

1. 武器一：智能“会议纪要”（对话摘要）

比喻：想象你在参加一个长达几天的会议。如果让你直接读几千页的会议记录来记住谁说了什么，你的脑子会炸，而且效率极低。
做法：
研究人员让 AI 每天结束时，先自己写一份精简的“会议纪要”。

• 它会把大家说了什么、谁怀疑谁、谁投了谁，浓缩成几句话。
• 第二天开始时，AI 不需要读几千字的聊天记录，只需要看这份“纪要”就能瞬间回忆起昨天的重点。
• 效果：就像给 AI 装了一个高压缩比的记忆芯片，既省空间（节省计算成本），又让它能精准抓住关键线索，不会因为信息太多而“断片”或逻辑混乱。

2. 武器二：定制“人设剧本”（角色设定）

比喻：想象你在玩角色扮演游戏（RPG）。如果你扮演一个“严肃的国王”，你就不能突然开始讲网络烂梗；如果你扮演一个“害羞的中学生”，你就不能说话像大将军一样威风凛凛。
做法：
研究人员为每个角色（村民、预言家、狼人、被附身者）都精心设计了详细的“人设档案”，甚至包括：

• 背景故事：比如狼人是一个“热爱足球、说话直爽的高中生”，预言家是一个“关心王国未来的威严国王”。
• 说话风格：甚至规定了用词（比如用不用敬语）、语气（是犹豫还是自信）。
• 台词示例：给 AI 看几个“标准台词”作为参考。
• 效果：这让 AI 在整局游戏中，无论聊得多久，都能始终维持同一个性格。哪怕到了游戏最后，它说话还是那个味儿，不会“人设崩塌”。

3. 武器三：一步步的“思考草稿”（思维链）

比喻：就像做数学题，直接写答案容易错，但如果把“第一步、第二步、第三步”的解题过程写出来，逻辑就清晰了。
做法：
在决定“今晚查谁”或“明天投谁”时，AI 不会直接蹦出一个名字。它会先像写草稿一样，一步步列出推理过程（例如：“因为 A 昨天说话矛盾，所以 A 可疑；因为 B 是预言家，所以先查 A"）。

• 效果：这让 AI 的决策更有逻辑，而且它的投票行为会和它说的话完全一致，不会出现“嘴上说投 A，手却投了 B"的尴尬情况。

总结：他们做到了什么？

研究团队开发了一套 AI 系统，在 AIWolfDial 2024 比赛中，让 5 个 AI 互相玩狼人杀。

• 结果：这些 AI 不仅玩得聪明，能发现别人的逻辑漏洞，而且说话非常有“人味儿”。
• 亮点：
  • 它们记得住几天前的对话（靠“会议纪要”）。
  • 它们说话风格从头到尾不改变（靠“人设剧本”）。
  • 它们说的话和做的决定（投票）完全对得上（靠“思考草稿”）。

这就好比给 AI 不仅装上了超强大脑，还给它穿上了戏服，并给了它一本剧本，让它真正像是一个有血有肉、有记忆、有性格的“玩家”，而不仅仅是一个冷冰冰的聊天机器人。

技术摘要

以下是基于论文《Enhancing Consistency of Werewolf AI through Dialogue Summarization and Persona Information》的详细技术总结：

1. 研究背景与问题 (Problem)

背景：
狼人杀（Werewolf Game）是一种典型的不完全信息博弈游戏，高度依赖玩家的推理能力、沟通技巧以及角色扮演的连贯性。随着大语言模型（LLM）在自然语言生成和推理任务上的突破，利用 LLM 构建狼人杀 AI 代理成为研究热点。该研究是为 AIWolfDial 2024 共享任务（与第 17 届 INLG 联合举办）而开发的。

核心挑战：
在构建基于 LLM 的狼人杀代理时，主要面临以下两个关键问题：

1. 上下文一致性与信息过载： 游戏包含多轮对话和跨天（Day 0 到 Day 2）的历史记录。直接将所有历史对话输入 LLM 会导致输入长度受限、推理成本增加，且无关信息（如重复发言、寒暄）会干扰模型判断，导致代理在后续发言中出现前后矛盾或遗忘关键线索。
2. 角色人设的连贯性（Character Consistency）： 共享任务要求代理不仅逻辑合理，还需具备多样化且连贯的“人设”（如语气、性格）。LLM 容易受其他玩家语气影响，导致自身人设崩塌或发言风格不一致。

2. 方法论 (Methodology)

该研究提出了一种结合**对话摘要（Dialogue Summarization）与人工设计人设（Persona Information）**的框架，旨在提升代理发言的上下文一致性和角色稳定性。

2.1 基于 LLM 的对话摘要 (Dialogue Summarization)

为了解决长上下文带来的成本和冗余问题，研究团队引入了对话摘要机制：

• 机制： 每天结束时，利用 LLM 对当天的所有对话历史进行总结。
• 内容： 摘要不仅压缩文本，还提取关键信息，包括：各玩家的角色声明、提出的建议、对他人的怀疑理由、以及任何矛盾点。
• 应用： 在第二天生成新发言或做决策（如投票、查验）时，LLM 不再读取原始长对话，而是读取“昨日摘要”加上“今日对话历史”。这既保留了关键线索，又大幅降低了输入长度和成本。

2.2 人设与发言示例 (Persona Design)

为了确保代理在长时间游戏中保持独特的性格和语气，研究团队设计了结构化的人设提示（Prompt）：

• 人工构建人设： 为不同角色（村民、预言家、狼人、被诅咒者）设计了详细的人格档案（如年龄、职业、性格特征、说话风格）。
  • 示例： 狼人设定为"17 岁高中男生，足球社成员，性格活泼，不使用敬语”；预言家设定为“德卡达尔王国的国王，威严、骄傲”。
• Few-shot 示例： 在 Prompt 中提供 3-5 个针对该人设的手写发言示例（Utterance Examples），引导 LLM 模仿特定的语调和措辞。
• 目标： 防止代理被其他玩家的语气带偏，确保从游戏开始到结束，其发言风格（如犹豫、自信、粗鲁等）高度一致。

2.3 思维链推理 (Chain-of-Thought, CoT)

在关键决策环节（如预言家决定查验谁、村民/预言家决定投票给谁），采用思维链提示技术：

• 流程： 要求 LLM 先输出推理过程（Step-by-step reasoning），分析当前局势、怀疑对象及理由，最后再给出最终决策。
• 作用： 增强决策的逻辑性，确保投票行为与之前的发言逻辑自洽，避免“言行不一”。

2.4 代理角色策略

针对四种角色设计了不同的策略模块：

• 村民/预言家： 利用摘要回顾历史，通过 CoT 进行推理。
• 狼人： 从预设策略库中选择策略（如转移视线、质疑预言家），结合摘要进行伪装。
• 被诅咒者（Possessed）： 第一天模仿预言家，若存活至第二天则尝试与狼人配合，通过特定策略诱导狼人暴露或共同投票。

3. 主要贡献 (Key Contributions)

1. 开发了 4 种角色的高一致性 AI 代理： 成功构建了村民、预言家、狼人和被诅咒者四种角色的 AI，通过对话摘要和人设提示显著提升了发言的连贯性。
2. 提出了“摘要 + 人设”的增强框架： 证明了利用 LLM 生成的对话摘要可以有效解决长上下文的信息冗余问题，同时人工设计的人设能有效维持角色的语气和性格一致性。
3. 展示了多日游戏的连贯性案例： 通过自对弈（Self-match）游戏日志分析，展示了代理在跨越 Day 1 和 Day 2 的过程中，能够准确引用前日信息（如识别预言家身份），并保持人设不崩塌。

4. 实验结果与分析 (Results)

研究团队通过 AIWolfDial 2024 的自对弈游戏日志进行了案例分析（Case Study）：

• 信息保留能力： 在 Day 2 的第一轮发言中，代理 Agent[04] 能够准确引用 Day 1 的信息，识别出 Agent[01] 是预言家，并据此发言。这证明了对话摘要机制成功保留了跨天关键信息，而无需输入全部原始历史。
• 人设一致性：
  • Agent[01]（预言家/国王人设）在整个游戏中保持了威严、庄重的语气，即使在长对话中也没有出现风格突变。
  • Agent[05]（预言家）在发言中体现了“关心王国未来”的人设特征。
  • Agent[02]（狼人/高中生人设）保持了活泼、非正式且不使用敬语的风格。
• 言行一致性： 代理在每日最后发言中声明的投票目标，与其最终的投票行为完全一致。例如，Agent[01] 在 Day 1 指控 Agent[05] 是狼人，并最终将票投给了 Agent[05]。

5. 研究意义 (Significance)

• 解决长程对话一致性难题： 该研究为多轮对话系统（特别是涉及复杂逻辑推理和角色扮演的游戏）提供了一种有效的解决方案，即通过“摘要”压缩历史，通过“人设”约束风格，解决了 LLM 在长上下文中的遗忘和风格漂移问题。
• 提升博弈类 AI 的实战能力： 证明了在不完全信息博弈中，结合结构化提示工程（Prompt Engineering）和推理技术（CoT），可以显著提升 AI 的策略水平和拟人化程度。
• 为共享任务提供新范式： 该方案为 AIWolfDial 等类似共享任务提供了可复用的技术路径，展示了如何通过低成本（减少 Token 消耗）和高效率（摘要机制）的方式构建高质量的对话智能体。

总结： 该论文通过巧妙结合 LLM 的摘要能力和人工设计的人设提示，成功构建了一个在狼人杀游戏中既能进行深度逻辑推理，又能保持长期角色一致性的 AI 系统，为复杂对话代理的开发提供了重要的技术参考。