大規模言語モデル（LLM）に人間のようなペルソナを持たせることは、ロールプレイやユーザーシミュレーションといったエージェント応用において極めて重要です。従来のプロンプトベースの手法は、静的なテキストプロファイルを注入する記述的条件付けに依存していますが、現実的な人生の記憶が欠如しているため、エージェントは往々にして一般的な振る舞いしか示せません。 この課題に対処するため、認知心理学に着想を得た「記憶ベースの条件付け」という新しいパラダイムが提案されました。これは抽象的なプロファイルを自伝的記憶ベースに置き換え、凍結されたLLMが状況に応じた関連記憶を動的に取得して行動を導けるようにするものです。本研究が提案するMemoryForgeは、簡潔なターゲットペルソナから生涯記憶を合成する革新的なフレームワークです。 MemoryForgeは三つの主要コンポーネントで構成されています。まず社会歴史的な基礎を提供するコンテキスト生成器、次にターゲット識別への発達的な一貫性を確保するライフオーガナイザー、そして広範な時間的サマリーと高忠実度のエピソード経験のバランスを取る多解像度シミュレータです。 PersonaGymによるロールプレイテストとSimulatorArenaによるユーザーシミュレーションテストの結果、MemoryForgeで合成された記憶ベースにより、凍結されたLLMは複数のメトリクスとLLMバックボーンを通じて、強力な記述的条件付けのベースラインを上回る人間らしい振る舞いを示すことが確認されました。