用于角色扮演的编码化有限状态机

基于摘要分析。本文研究大语言模型（LLMs）角色扮演（RP）中的潜在角色状态建模，提出 Codified Finite-State Machines（CFSMs），通过 LLM 编码将文本角色设定自动转化为有限状态机，以显式状态与转移结构约束角色一致性；进一步提出 Codified Probabilistic Finite-State Machines（CPFSMs），用状态上的概率分布描述转移，以表达不确定性与行为变化。 核心机制是从角色设定中提取关键状态及其转移，并生成可解释的状态机结构。相较于主要描述表面行为的提示方法，该框架试图追踪驱动交互的潜在状态；相较于人工编写规则的传统有限状态机，它将状态机构建交由 LLM 编码，以适应开放式 RP 的语义空间。摘要未说明状态表示、编码验证、转移触发条件、概率估计方式，以及状态机与对话生成过程的具体连接方式，这些均尚未验证。 作者报告，在合成评估及既有作品中的真实 RP 场景上，CFSM 和 CPFSM 优于所比较的通用基线，并在结构化任务与开放式随机状态探索中表现有效。但摘要未提供作品名称、数据规模、基线名称、指标、数值或划分方式，因此无法判断优势幅度与适用边界；实验协议、消融及统计信息尚未验证。复现前需核对角色设定输入、状态机生成与执行流程、随机转移实现及评估标准。 本文主要研究对象是 LLM 角色扮演，而非 EEG 信号建模或 BCI。此处有限状态机也不应与用于序列建模的 State Space Models 混同。现有材料未建立其状态构建机制与具体 EEG/BCI 瓶颈的对应关系，因此不据此提出 BCI 迁移效果或复现实验建议；已有 EEG 相关工作尚未检索确认。