코드화된 유한 상태 기계로 구현하는 일관된 롤플레잉

초록

본 논문은 텍스트 기반 캐릭터 프로필을 자동으로 유한 상태 기계(FSM)로 변환하는 “코드화된 FSM(CFSM)”과, 전이 확률을 도입해 다중 가능성을 모델링하는 “코드화된 확률적 FSM(CPFSM)”을 제안한다. LLM을 활용해 상태와 전이 규칙을 추출·코딩함으로써, 기존 프롬프트 기반 접근법이 놓치기 쉬운 잠재적 캐릭터 상태를 명시적으로 관리하고, 일관성·해석 가능성을 크게 향상시킨다. synthetic 실험과 실제 롤플레잉 벤치마크에서 CFSM·CPFSM이 기존 베이스라인보다 높은 행동 일관성, 전이 추적성, 프로필 정합성을 보이며, 확률적 모델링이 다중 행동 선택 상황에서 유연성을 제공함을 입증한다.

상세 분석

본 연구는 롤플레잉(RP)에서 “잠재적 캐릭터 상태(latent character state)”를 명시적으로 모델링하는 필요성을 강조한다. 기존 LLM 기반 RP는 프롬프트에 의존해 행동을 생성하지만, 상태 정보를 별도로 유지하지 않아 장기 대화에서 일관성이 무너지는 문제가 있다. 이를 해결하기 위해 저자들은 전통적인 유한 상태 기계(FSM)의 장점—명시적 상태 집합, 해석 가능한 전이 규칙—을 유지하면서, 텍스트 기반 프로필을 자동으로 코드화하는 파이프라인을 설계했다.

1. CFSM 구축 파이프라인

   • 상태 추출: LLM에게 캐릭터 프로필을 입력으로 주고, “핵심 상태(key states)”를 식별하도록 프롬프트한다. 여기서 상태는 능력치 변화, 감정, 사회적 역할 등 다양한 차원을 포함한다.
   • 전이 코드 생성: 추출된 상태 목록을 기반으로 LLM이 파이썬 형태의 get_next_state(state, action) 함수를 작성한다. 전이 조건은 binary_q(text, question)이라는 헬퍼 함수를 통해 “예/아니오/알 수 없음” 형태의 질의응답으로 구현한다. 이는 LLM이 외부 지식이나 컨텍스트를 활용해 조건을 판단하도록 설계된 일종의 “프롬프트‑코드 인터페이스”이다.
   • 디폴트 전이와 오버라이드: 전체 n개의 상태에 대해 기본 전이(예: 유지) 를 O(n) 비용으로 할당하고, 프로필에 명시된 k개의 특수 전이만 O(k) 로 오버라이드한다. 이는 전통적인 O(n²) 전이 테이블 구축 대비 효율성을 크게 향상시킨다.

2. CPFSM 확장

   • 전이 결과를 단일 상태가 아닌 확률 분포로 반환하도록 함으로써, 다중 가능한 행동이 존재할 때 “불확실성”을 정량화한다. 전이 확률은 LLM이 binary_q 호출 결과의 로짓을 활용해 softmax로 변환한다.
   • 상태 분포 H(t)와 전이 행렬 W(t)를 유지함으로써, 시간에 따라 누적된 불확실성을 추적하고, 필요 시 가장 높은 확률의 상태를 선택하거나 샘플링해 다양성을 제공한다.

3. 실험 설계

   • Synthetic 테스트: 마리오 파워업, Call of Duty 은폐 전투 등 명확한 규칙이 존재하는 도메인에서 CFSM·CPFSM이 프롬프트‑전이 방식보다 23%~37% 높은 정확도로 올바른 전이를 수행함을 보였다.
   • 실제 RP 벤치마크: Fandom Benchmark(5,000+ 장면, 83 캐릭터)에서 행동 일관성(Consistency), 전이 추적성(Traceability), 프로필 정합성(Profile Alignment) 세 지표 모두 기존 SOTA(예: CharacterGLM, Memory‑augmented prompting)보다 유의미하게 개선되었다. 특히 CPFSM은 다중 행동이 가능한 상황에서 평균 1.8배 더 높은 다양성을 제공하면서도 일관성을 유지했다.
   • 소비 비용: CFSM은 전이 판단당 평균 0.12초, CPFSM은 0.18초의 LLM 호출 시간을 기록했으며, 전체 파이프라인은 GPU 1개 기준 0.45초/턴 이하로 실시간 RP에 충분히 적용 가능함을 입증했다.

4. 핵심 인사이트

   • 명시적 상태와 코드화된 전이는 “블랙박스” LLM 프롬프트에 비해 디버깅과 검증이 용이하며, 개발자가 직접 전이 규칙을 수정·추가할 수 있는 인터페이스를 제공한다.
   • 확률적 전이는 인간 플레이어가 보이는 “불확실성”을 모델링함으로써, 동일 상황에서도 다양한 반응을 생성해 RP의 풍부함을 높인다.
   • LLM‑코드 협업 방식은 기존 심볼릭 AI와 최신 대규모 언어 모델을 효과적으로 결합하는 새로운 패러다임을 제시한다.

5. 제한점 및 향후 과제

   • 현재 전이 조건은 이진 질문에 기반해 설계돼 복합적인 감정·동기 판단에 한계가 있다. 다중 질문·다중 라벨링을 통한 복합 조건 모델링이 필요하다.
   • CPFSM의 확률 분포는 LLM 출력 로짓에 크게 의존하므로, LLM의 편향이나 과신 문제가 전이 확률에 전이될 위험이 있다. 온도 조절·후처리 캘리브레이션 기법을 도입해야 한다.
   • 대규모 멀티‑모달 RP(이미지·음성 포함)에서는 상태 정의가 더 복잡해지므로, 멀티‑모달 LLM과의 연동 연구가 요구된다.

전반적으로 CFSM·CPFSM 프레임워크는 LLM 기반 롤플레잉에서 상태 추적과 전이 관리의 핵심 문제를 해결하고, 해석 가능성과 확장성을 동시에 제공하는 실용적인 솔루션으로 평가된다.