Verso sistemi narrativi auto-evolutivi: adattamento in tempo reale e ottimizzazione a lungo termine con gli LLM

Abstract degli autori

I sistemi narrativi interattivi tradizionali offrono un forte controllo autoriale e coerenza strutturale, ma spesso limitano la capacità d’azione dei giocatori. Al contrario, le narrazioni basate sugli LLM consentono una generazione aperta e una maggiore flessibilità, ma soffrono spesso di incoerenza e di un controllo narrativo ridotto. Per affrontare questo compromesso, proponiamo un framework narrativo ibrido che bilancia dinamicamente i contenuti predefiniti con la generazione in tempo reale degli LLM, attraverso un allineamento basato sulla similarità semantica. Inoltre, mantenere la qualità narrativa nel corso di sessioni di gioco prolungate resta una sfida fondamentale nella narrazione basata sugli LLM. Per affrontarla, introduciamo un framework di ottimizzazione auto-evolutivo, guidato dal feedback, che sfrutta l’apprendimento in contesto per perfezionare iterativamente i prompt, eliminando la necessità di progettarli manualmente. Attraverso uno studio di caso e una valutazione con partecipanti, mostriamo che il nostro framework migliora la coerenza narrativa preservando la capacità d’azione dei giocatori e allinea efficacemente i contenuti generati sia alle intenzioni autoriali sia all’evoluzione del comportamento dei giocatori.