浙江大学ACL 2026角色扮演框架让AI模拟导演沉浸式四通道交互

AI角色扮演，正迎来一次关键的“沉浸式”升级。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

过去，我们与AI角色的对话，常常像是在和一个知识渊博但缺乏“实感”的聊天机器人交流。对话可以很流畅，但总觉得缺了点什么——缺了环境的氛围，缺了剧情的张力，缺了那种角色真正“活”在故事世界里的感觉。比如一个探案故事，如果侦探只能在一个固定房间里和固定嫌疑人来回问答，无法四处搜证、无法与不同证人轮番对质，那“破案”的沉浸感自然大打折扣。

现在，这个瓶颈有望被打破。浙江大学与腾讯优图实验室联合提出了一项名为AdaMARP的新框架。它的目标很明确：让AI角色扮演从“会聊天”进化到“会演戏”，不仅要“说”得对，还要“想”得深、“动”得真，并能“感知”和“调度”整个叙事环境。目前，这项研究已被自然语言处理顶会ACL 2026接收。

从跟AI聊天到和角色共处

理想中的AI角色扮演是什么样子？用户设定一个角色，AI就能彻底代入，在特定的情境中保持人设一致，对环境线索敏感，并能根据人物关系做出恰如其分的回应。它应该能推动故事，而不是被动应答。

然而，现实中的多数系统，其核心局限可以归结为两点：环境信号的缺失，以及一个全局“导演”的缺席。

环境被当成了“背景板”

早期的系统只关注角色的“台词”。后来，一些研究加入了“动作”或“内心独白”，这固然是进步，但“环境”在叙事中的作用依然被严重低估。在好的故事里，环境从来不是装饰。案发现场地毯上的蜡痕、煤气灯投下的诡异阴影、证人门口未干的泥渍……这些环境细节既是推理的支点，也是剧情转折的契机。如果系统不把环境当作与台词、动作同等重要的叙事信号来建模，角色就容易像是在一个空房间里自言自语，失去了与世界互动的实感。

互动结构过于静态，缺一个“会调度的导演”

多数系统默认场景固定、人物固定，用户与某个角色进行封闭式的一问一答。但真实的叙事，尤其是像探案这类题材，需要动态调度：从案发现场到警局，从公寓到宅邸，场景需要切换；询问对象从管家换到马车夫，新证人需要适时引入。谁来决定“下一句谁来说”？何时该“换地图”？现有框架很少系统性地回答这些问题。没有这种调度能力，故事就很难自然地“演下去”，更像是在重复对话循环，而非推进一场真正的调查。

AdaMARP：四通道消息格式+场景管理器

为了回应上述挑战，AdaMARP从两个核心层面进行了设计：一是让单个角色的表达更丰满，二是让整个叙事流程更智能。

沉浸式消息格式：Thought–Action–Environment–Speech

AdaMARP为每一轮交互定义了一种四通道交织的消息格式。这意味着，AI角色的一次回应，可以同时包含思考、动作、环境感知和言语，并且这些元素的顺序可以根据情境灵活组织。

来看一个例子：福尔摩斯在讯问证人时，可以这样生成回应——<煤气灯摇曳，证人下意识地瞥向壁炉上的时钟> [他在回避具体时间，那段时间他不在场]（用烟斗轻轻敲了敲桌面）案发当晚八点到九点，您究竟在哪里？

在这里，环境线索触发了内心推理，推理又催生了施压动作，最终转化为追问的话语。一条清晰的“感知-思考-行动-表达”因果链就此形成，远比干巴巴的一句问话更有沉浸感和叙事节奏。环境由此真正参与了推理与叙事，而不仅仅是氛围点缀。

自适应框架：三智能体+场景管理器的五种动作

在系统架构上，AdaMARP将角色扮演建模为三个智能体的协作：

• Actor模型：负责扮演所有非用户角色。
• User模型：代表用户方（可由真人或另一个LLM袋里扮演）。
• 场景管理器（Scene Manager）：负责高层叙事调度，是整个框架的“导演”。

这位“导演”手握一套明确的指令集，通过五种离散动作来驱动整场“演出”：

• init_scene：初始化场景（如“贝克街221B客厅”）。
• pick_speaker：选择下一句由谁来说，并给出理由（如“该由福尔摩斯追问关键矛盾”）。
• switch_scene：切换场景（如“从案发现场切换到证人公寓”）。
• add_role：动态引入新角色（如“一位声称目击了马车的邻居”）。
• end：结束当前互动。

每一步决策都附带可解释的理由，使得调度过程透明且可控。这样一来，系统不仅能决定“谁来接话”，还能决定“何时换场景搜证”、“何时引入新证人”，从而支撑起复杂、开放的多角色叙事。

理论如此，实践如何？下面这段简化的福尔摩斯探案叙事拆解，可以让我们直观感受AdaMARP的运转逻辑（为便于理解，部分细节如详细角色档案已省略）。

叙事示例：AdaMARP如何调度一场探案

初始场景：伦敦东区某寓所，案发深夜。福尔摩斯与华生在场。

• 场景管理器动作：pick_speaker (speaker: 福尔摩斯)。
  理由：侦探应先勘察现场并给出初步推理。
• 福尔摩斯：<煤气灯昏黄，蜡痕在阴影中隐约可见> [烛泪的位置和形状……婚礼蜡烛，而且是左手持烛]（蹲下身捻起碎屑嗅了嗅，站起身）华生，去查查最近三个月内举办过婚礼、且家中有人左撇子的家庭。

• 场景管理器动作：pick_speaker (speaker: 华生)。
  理由：福尔摩斯已下达指令，助手应领命执行。
• 华生：（点点头）明白（推门而出）<走廊里传来渐远的脚步声，随后是马车驶离的声响>

• 场景管理器动作：switch_scene。
  理由：华生已前往调查，需切换至下一个搜证地点——案发地邻居的住所。
  新场景：房东太太狭窄昏暗的公寓。

• 场景管理器动作：add_role (new_role: 房东太太)。
  理由：作为案发地邻居，可能掌握关键证词，需引入讯问。

• 场景管理器动作：pick_speaker (speaker: 福尔摩斯)。
  理由：讯问应由侦探主导开场。
• 福尔摩斯：（摘下礼帽，微微颔首）夫人，案发当晚八点到九点，您是否听见三楼有任何异常声响？

• 场景管理器动作：pick_speaker (speaker: 房东太太)。
  理由：需听取证人对时间线的陈述。
• 房东太太：<下意识地瞥向壁炉上的时钟>

• 场景管理器动作：pick_speaker (speaker: 福尔摩斯)。
  理由：证人出现回避迹象，应继续追问施压。
• 福尔摩斯：[她在回避具体时间]（用烟斗轻轻敲了敲桌面）那段时间，您究竟在哪里？

……（后续可继续引入新角色如雷斯垂德探长带来新线索）

可以看到，从场景初始化、发言调度、场景切换到角色引入，整个叙事流程均由场景管理器驱动，且每一步都有理有据。这种结构化的多通道、多场景、多角色连贯叙事，正是AdaMARP旨在实现的目标。

训练数据：从文学中提取“人味”，从主题中合成“动态”

巧妇难为无米之炊。要训练出能“演”会“导”的模型，需要高质量的数据。研究团队为此构建了两个互补的数据集。

AdaRPSet：让角色「会演」

这个数据集用于训练扮演角色的Actor模型，由“文学提取”和“主题合成”两部分构成。

AdaRPSet-Extracted（文学提取）：从81本代表性文学作品中，通过大语言模型识别出连贯的场景与多角色互动轨迹，并将其直接转化为统一的四通道格式。同时，为每个角色生成包含身份、性格、经历等维度的详细画像。这些数据天然带有文学作品的质感与“人味”，适合让模型学习基础的演绎能力和格式规范。

AdaRPSet-Synthesis（主题合成）：由于文学作品中的互动多为固定场景，为了强化模型对动态叙事的适应能力，研究团队在冒险、探案、解谜等20类主题下，由LLM主动生成了包含明确场景切换和角色引入指令的情节级轨迹。这部分数据旨在教会模型如何在调度下进行演绎。

两者合并训练，使得Actor模型既能掌握细腻的演绎风格，又能适应动态变化的叙事指令。

AdaSMSet：让系统「会导」

这个数据集专门用于训练作为“导演”的场景管理器。它在合成数据的基础上，关键补充了“发言者选择”的监督信号。研究团队在每两段角色发言之间，插入应由场景管理器做出的“pick_speaker”决策，并由强指令遵循模型为每次选择生成具体、上下文相关的理由。这样一来，数据集就覆盖了场景管理器全部五类动作的端到端监督，教会它“何时换场景”、“何时加人”以及“谁来接下一句”。

两者的互补

AdaRPSet与AdaSMSet共同支撑起AdaMARP框架：前者让角色“会演”，后者让系统“会导”。它们共享统一的角色画像与消息格式，确保演员和导演能在同一叙事框架下无缝协同。

AdaptiveBench：为什么需要自建评测体系？

有了新框架和新数据，如何评估其效果成为下一个关键。现有的评测大多聚焦于单轮回复的质量或人设一致性，难以衡量AdaMARP所关注的沉浸式、自适应能力。

真正的体验来自整段故事是否连贯、有张力；环境线索是否被真正用于推理；多角色与场景切换是否自然流畅。为此，研究团队提出了AdaptiveBench——一个面向自适应角色扮演的仿真评测框架。

它从保留的测试剧情种子出发，同时运行用户模型、Actor模型和场景管理器，生成完整的多轮对话轨迹，然后从轨迹级别进行多维评估：

针对Actor模型，评估其角色一致性、环境感知与利用能力、人际互动贴合度、叙事推进力以及指令遵循程度。

针对场景管理器，则评估其场景理解与切换时机、发言轮次安排的合理性、新角色引入的判断力，以及整体的导演节奏感。

通过AdaptiveBench，AdaMARP框架的优势得以量化呈现：它能够产出更连贯的内心-行为-言语链，更好地利用环境推动叙事，并在多角色、多场景的复杂情境中实现灵活、合理的调度。这为探案推理、冒险叙事乃至其他需要深度情境交互的领域，提供了一条通往更沉浸式AI角色扮演的新技术路径。