HAMLET

HAMLET是一个多智能体框架，用于现场体化戏剧的超自适应建模。该框架分为离线规划和在线表演两个阶段。离线规划阶段需要简单的话题来生成结构化的叙事蓝图，该蓝图为在线表演提供了自由发挥的空间，同时保证了主要故事结构的完整性。在线表演阶段则将静态计划转化为动态、交互式和沉浸式环境，引入了更具体的叙事单元、环境交互机制和协作智能体。该数据集旨在通过人工智能技术创造沉浸式和交互式的戏剧体验，解决现有基于大型语言模型的戏剧生成方法存在的局限性。

HAMLET is a multi-agent framework for hyper-adaptive modeling of embodied live drama. This framework comprises two stages: offline planning and online performance. In the offline planning stage, simple topics are used to generate a structured narrative blueprint, which provides room for free improvisation during online performance while ensuring the integrity of the core story structure. The online performance stage transforms static plans into dynamic, interactive and immersive environments, introducing more specific narrative units, environmental interaction mechanisms and collaborative AI agents. This dataset aims to create immersive and interactive theatrical experiences through artificial intelligence technologies, addressing the limitations of existing drama generation methods based on large language models.

原始信息汇总

HAMLET数据集概述

基本信息

• 数据集名称：HAMLET

数据描述

（无具体描述信息）

数据来源

（无具体来源信息）

数据用途

（无具体用途信息）

其他信息

（无其他相关信息）

搜集汇总

数据集介绍

构建方式

HAMLET数据集的构建采用多阶段协同工作流程，通过离线规划与在线表演的双阶段设计实现。在离线规划阶段，由角色设计师、情节设计师和评审员组成的多智能体系统基于用户提供的主题生成结构化叙事蓝图，该蓝图包含角色档案、场景道具及关键叙事点。在线表演阶段则通过分层控制系统将静态蓝图转化为动态戏剧体验，其中感知决策模块（PAD）驱动AI演员进行自主决策，叙述者智能体负责环境交互的合理性裁决，规划器与推进器协同确保情节连贯发展。数据集最终整合了50个文学选段与50个定制戏剧主题，涵盖中英文经典作品与10类主题场景。

特点

该数据集的核心特征体现在三维度评估体系与超自适应交互机制上。其首创的Character-Narrative-Interaction三维评估框架，通过角色可信度（Believability）、叙事完整性（Integrity）及交互流畅性（Fluency）等9项细化指标实现戏剧表演的全方位量化。数据集突破传统LLM对话的被动响应模式，构建了包含快速反应、深度思考与战略沉默的多元决策机制，支持演员通过物理动作（如开启信件、拾取武器）改变场景状态并触发广播式环境更新。实验表明，其8B规模的PAD模块在零延迟惩罚下达到75.6%的综合表现，显著优于同类模型。

使用方法

使用该数据集时需遵循两阶段处理范式。研究者首先通过导演智能体整合离线生成的叙事蓝图，该蓝图以JSON格式定义角色属性、场景坐标及关键情节标志。在线表演阶段采用实时裁决机制，用户可通过三种模式介入：1) 作为观察者监控多智能体协同过程；2) 扮演特定角色参与即兴表演；3) 通过HAMLETJudge评估系统进行多维度质量比对。评估时需注意戏剧表演的整体性，避免对单轮对话进行孤立评分。数据集的物理交互日志与多轨迹记录支持回放分析，为研究角色一致性保持、环境状态传播等课题提供细粒度数据支持。

背景与挑战

背景概述

HAMLET（Hyperadaptive Agent-based Modeling for Live Embodied Theatrics）是由Sizhou Chen、Shufan Jiang等研究人员于2025年提出的一个多智能体框架，专注于戏剧创作与实时表演。该数据集旨在解决交互式叙事领域中沉浸感和互动性的核心问题，特别是在基于大型语言模型（LLM）的戏剧生成与表演中。HAMLET通过生成叙事蓝图并赋予AI演员自主决策能力，使其能够根据角色背景、目标和情感状态与环境及其他角色互动，从而提升戏剧的连贯性和表现力。该框架的提出为实时互动戏剧的自动化生成提供了新的研究方向，并在角色扮演、叙事生成和交互体验方面展现了显著的影响力。

当前挑战

HAMLET数据集面临的挑战主要包括两个方面：领域问题的挑战和构建过程中的挑战。在领域问题方面，HAMLET旨在解决现有LLM方法在戏剧生成中缺乏主动性和环境交互能力的问题，同时减少对用户输入的依赖。构建过程中的挑战包括：1) 如何设计多智能体协作框架以生成连贯的叙事蓝图；2) 如何实现AI演员的自主决策与物理环境交互；3) 如何开发有效的评估方法以量化戏剧表演的质量。此外，确保角色行为的一致性、叙事的逻辑性以及交互的流畅性也是构建过程中的关键难点。

常用场景

经典使用场景

HAMLET数据集在交互式叙事和戏剧生成领域具有广泛的应用价值。其最经典的使用场景在于为基于大型语言模型（LLM）的戏剧创作和实时表演提供结构化框架。通过多智能体协作，HAMLET能够将简单的主题转化为完整的戏剧蓝图，指导后续即兴表演。在在线表演过程中，每个演员被赋予自主决策能力，能够根据自身背景、目标和情感状态做出独立选择，并通过与场景道具的互动推动剧情发展。这一场景特别适用于需要高度互动性和沉浸感的在线实时表演，如虚拟剧场、互动游戏叙事等。

实际应用

在实际应用层面，HAMLET数据集为多个领域提供了创新解决方案。在教育领域，可用于开发互动式戏剧教学工具，帮助学生理解文学经典和表演艺术。在娱乐产业，为虚拟现实和增强现实应用提供自然、连贯的叙事体验。在心理治疗方面，通过角色扮演和情景模拟辅助治疗。此外，该框架还可应用于智能客服、虚拟导游等需要个性化交互的场景，提升用户体验。HAMLET的物理环境交互机制特别适用于需要实体互动的混合现实应用场景。

衍生相关工作

HAMLET数据集衍生了一系列相关研究工作。在角色扮演领域，CharacterEval和RoleEval等评估框架借鉴了其角色一致性评估方法。在叙事生成方面，Mirowski等人的分层生成方法和Venkatraman的多LLM协作研究受到HAMLET多智能体架构的启发。Wu等人关于LLM在戏剧中应用的研究直接引用了HAMLET的评估指标。此外，PAD模块的双系统决策机制为Agentic AI研究提供了新思路，相关衍生工作包括Sapkota等人对主动型AI的分类研究。这些工作共同推动了交互式叙事和角色扮演领域的发展。