Los recientes sistemas de role-playing con modelos de lenguaje grandes a menudo fallan en contextos de narrativas largas debido a la sobreextensión factual y la monotonía estilística. La sobreextensión factual ocurre cuando los personajes acceden a información fuera de su perspectiva narrativa, mientras que la monotonía estilística aplana las voces de los personajes mediante descripciones de perfil estáticas. Para abordar estos problemas, los autores proponen REVERIEMEM, una arquitectura de memoria de tres capas diseñada para agentes de personajes basados en libros. Este sistema utiliza una capa episódica para memorias de escenas en primera persona, una capa semántica para hechos con etiquetas de visibilidad y una capa de personalidad para patrones conductuales dependientes de la situación. Los investigadores también presentan KBF-QA, un conjunto de pruebas que consta de 4,386 preguntas en ocho novelas para probar los límites del conocimiento. Los resultados experimentales muestran que REVERIEMEM mejora la Fidelidad del Límite de Conocimiento en 34.6 puntos porcentuales en comparación con métodos anteriores. Además, el modelo logra aproximadamente una tasa de victoria del 79% en el protocolo narrativo por pares de cinco dimensiones de BOOKWORLD. Estos hallazgos sugieren que la memoria acotada por perspectiva mejora efectivamente tanto la precisión factual como la generación narrativa basada en personajes.