🤖 AI

AI YOU Town: Make Friends and Money with Your Digital Twin

本文介绍了 **AI YOU**，这是一个通过结合提示词工程、贝叶斯更新和符合预测技术，来动态更新一个 22 维人格剖面并保持长周期、多智能体交互中人格保真度的框架，旨在增强数字孪生的连贯性与不确定性校准。

原作者： Yan Lin, Yuyang Dai, Jiahui Geng, Yuxia Wang

发布于 2026-07-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Yan Lin, Yuyang Dai, Jiahui Geng, Yuxia Wang

原始论文根据 CC0 1.0（http://creativecommons.org/publicdomain/zero/1.0/）发布到公有领域。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一个名为 AI YOU Town 的繁华虚拟小镇，你的“数字孪生”在那里闲逛、交友，甚至担任辅导员或投资者等职业。但问题在于：如今大多数数字孪生就像是只会背诵一次剧本、然后演到一半就忘掉自己是谁的演员。它们会发生偏移（drift）、产生矛盾，并且在并不确定自己的了解程度时，也会盲目猜测你的性格。

AI YOU 的研究人员说：“让我们来解决这个问题。”他们构建了一个不仅是在猜测你是谁，而是在学习你是谁、在对话中不断更新其猜测，并清楚知道自己在何时不确定的系统。

问题所在：“一劳永逸”的剧本

把旧式的数字孪生想象成一个学生，他只读了一遍名人的传记，然后就试图永远扮演那个人。如果学生忘记了一个细节或产生了困惑，他就会胡编乱造。论文指出，现有的方法过于僵化。它们依赖于单一的“提示词”（一组指令），并将你说的每一句话都视为唯一重要的内容，从而忽略了对话的历史背景。这会导致孪生体发生“偏移”——比如你五分钟前还是个开朗的青少年，突然间却变成了一个脾气暴躁的老头。

解决方案：“带着笔记本的侦探”

AI YOU Town 引入了一种更聪明的方法。它不再使用静态剧本，而是像一个拥有三层笔记本的超级侦探：

工作记忆（便利贴）： 记录最近 20 轮的对话。这是你的即时语境，就像记住你在过去几分钟内说了什么。
情景记忆（相册）： 每 10 轮对话，系统会对对话进行一次快照，将其压缩成摘要并存档。这就像保存了你们聊天的相册，这样孪生体就不会忘记重大事件。
语义记忆（百科全书）： 每 50 轮对话，系统会查阅这些相册以寻找更深层的模式——比如你的核心价值观或长期目标——并更新关于你的“百科全书”。

这种三层记忆结构是其核心秘诀。它让孪生体能够在长对话中（甚至长达 100 轮！）保持一致性，而不会感到困惑或忘记你是谁。

“22 维”人格图谱

AI YOU 不仅仅是简单地说“你很友善”，它还构建了一个包含 22 个不同维度的详细画像。这超越了标准的“大五人格”特质（如外向或有组织性），还包括了诸如你可能感到焦虑的程度、你感知到的孤独感，甚至是你在关系中的依恋类型等。

但最重要的一点是：系统知道自己在何时进行猜测。

“不确定性度量计”

想象一个天气应用，它说“会下雨”，但没告诉你这是 10% 的概率还是 90% 的概率。这是很危险的。AI YOU 则不同。它使用了一种被称为**贝叶斯更新（Bayesian updating）和符合预测（conformal prediction）**的特殊数学技巧，使其表现得像一个带有置信度仪器的天气应用。

运作方式： 如果你说的话很模糊，系统会说“我还不确定”，并保持多种可能性。随着你聊得更多、提供的线索更多，它会缩小猜测范围。
证据： 在测试中，该系统的“覆盖率”（coverage rate）达到了 0.921 到 0.976 之间。这意味着当系统说“我有 90% 的把握这个特质是 X”时，它在 92% 到 97% 的情况下确实是正确的。这比标准方法有了巨大的进步，因为标准方法经常在其实只是在瞎猜时表现得非常自信。

该系统“不”做的事情

论文非常明确地说明了它不是什么：

它不是读心者。除非你亲口告诉它，否则它无法知道你的秘密。
它不能替代真正的心理治疗师或专业辅导员。作者明确表示这是一个研究原型，而非医疗建议或招聘决策的工具。
它并不适用于所有的 AI 模型。该系统在强大的“API”模型（如 GPT-5.4 或 Qwen-3.6-Max）上表现最好。当他们在较小的本地模型上尝试时，结果有时反而变差了，这表明复杂的数学运算需要一个强大的“大脑”才能正常运作。

实验结果：更少的偏移，更多的真实

当他们在“狼人杀”（一种玩家试图互相欺骗的社交推理游戏）和长篇角色扮演环节中测试此系统时，AI YOU 的孪生体比旧式的静态孪生体更能保持人格的一致性。

在角色扮演测试中，与旧方法相比，“刷新”（使用记忆锚点）方法将一致性得分提高了约 0.84 到 0.91 分（基于 5 分制）。
在“狼人杀”游戏中，该系统显著降低了大多数模型的“偏移”（即孪生体性格改变的程度）。

底线总结

AI YOU Town 表明，数字孪生的未来不在于写好一个完美的剧本。而在于构建一个活生生的、具有生命力的记忆系统，它能在你交谈时不断更新对你的理解，知道自己在何时不确定，并能在数小时的聊天后依然保持你的人格一致性。

作者认为这是向前迈出的一大步，但也警告说我们需要保持谨慎。因为这些孪生体模仿我们的能力如此之强，我们需要制定严格的规则，以确保它们不会欺骗我们，或者让我们产生情感依赖。目前，这是一个有趣的虚拟小镇实验，正等待着真实的人们搬入。

技术摘要：AI YOU Town

问题陈述

现有的推断用户特征并生成一致性人格响应的方法过度依赖静态提示词（static prompting）。这些方法存在三个主要缺陷：

缺乏校准的不确定性： 单次通过的大语言模型（LLM）预测产生的是点估计值，缺乏可靠的置信度评分，无法区分强有力证据与推测。
缺乏序列更新机制： 大多数流水线将对话话语视为独立的个体，缺乏随时间积累证据并更新信念的机制。
推理与生成的脱节： 人格推断与人格驱动的生成通常被视为独立的问题，导致理解用户与体现用户之间存在鸿沟。此外，静态人格在长程交互中容易发生“漂移”，即违背早前的陈述或放弃符合角色行为的行为。

方法论

作者提出了 AI YOU，这是一个统一了人格推断、建模与生成的交互式多智能体框架。该系统以 AI YOU Town 为原型，构建了一个个人数字孪生体（PDTs）进行社交、工作与互动的虚拟环境。

核心组件

22 维人格推断：
- 系统估算一个涵盖 22 个维度的结构化剖面，除了标准的“大五人格”外，还扩展到了依恋类型、自我效能感、感知孤独感、情绪状态和 MBTI 类型。
- 推断策略： 使用直接提示（Direct prompting）和思维链（CoT）来提取候选观察结果。采用**对比提取（contrastive extraction）**技术，以降低仅由微弱上下文支持的属性权重。
- 不确定性量化：
  - 贝叶斯更新： 对于数值型特征（如大五人格得分），系统使用高斯共轭更新，根据置信度分数来精炼后验均值和方差。
  - 符合性预测（Conformal Prediction）： 对于类别型和集合值特征，系统生成具有覆盖保证（目标为 90% 经验覆盖率）的预测集，以正式地表示不确定性。
三层认知记忆：
为了在长时程内保持一致性，系统采用了借鉴人类认知的记忆架构：
- 工作记忆（Working Memory）： 最后 20 轮对话的 FIFO（先进先出）缓冲区，用于处理即时上下文。
- 情景记忆（Episodic Memory）： 交互事件和情绪趋势的压缩摘要，每 10 轮更新一次。
- 语义记忆（Semantic Memory）： 从情景记忆中提取的高层用户模式和关系洞察，每 50 轮更新一次。
- 记忆锚点（Memory Anchor）： 一个定期刷新的（每 $k$ 轮）人格锚点，它将当前的锚点状态与近期的对话及特征约束相结合，以防止人格漂移。
情感、关系与风险监测器：
- 情感监测器（Affective Monitor）： 追踪情绪状态和强度，以指导响应策略（例如：验证 vs. 设定边界）。
- 关系监测器（Relationship Monitor）： 模拟人际动态和情感演进。
- 风险监测器（Risk Monitor）： 利用基于规则的匹配和 LLM 语义分析，检测不安全模式，如操纵、浪漫骗局和“杀猪盘”投资骗局。
人格调节生成（Persona-Conditioned Generation）：
系统根据刷新的记忆锚点和近期上下文生成响应，而非依赖整个对话历史，从而确保数字孪生体与推断出的剖面保持一致。

主要贡献

统一框架： 首个在单一流水线内有机连接人格推断、人格建模/保存以及人格调节生成的系统。
校准的状态估计： 集成了贝叶斯后验推断和符合性预测，为用户特征提供校准后的不确定性估计，超越了简单的点估计。
长时程一致性： 通过三层记忆机制和周期性锚点刷新策略，显著降低了超过 100 轮交互过程中的人格漂移。
原型实现： 创建了 “AI YOU Town”，这是一个连接真实用户与其数字孪生的双向生态系统，用于陪伴与咨询。

实验结果

该框架在多个基准测试（PANDORA, Essays, DailyDialog, PsyScam, LoCoMo, PersonaConflicts）上进行了评估，并使用了多种骨干模型（GPT-5.4, Qwen-3.6-Max, DeepSeek-V4, OLMo）。

不确定性校准： AI YOU 显著改善了预期校准误差（ECE），相比基准模型降低了 1.5–1.7 倍。符合性预测集实现了 0.921 至 0.976 之间的经验覆盖率，始终达到 90% 的目标。
特征估计： 虽然原始回归精度（MAE）提升幅度较小，但系统将模糊特征表示为不确定性的能力更为出色。消融实验证实，移除贝叶斯聚合或符合性校准会降低性能。
人格保存： 在对抗性设置（如狼人杀游戏）和长对话（100 轮）中，周期性记忆刷新（“Refresh”）策略相比静态提示显著减少了特征漂移。例如，在 GPT-4o-mini 上，目标特征的平均绝对偏差从 0.036（静态）降至 0.008（刷新）。
状态监测： 风险监测器提高了 API 模型在诈骗检测（PsyScam）中的部分得分，尽管作者指出结构化监测可能会过度约束较小的本地模型。记忆消融实验显示，在长会话问答（LoCoMo）中，完全移除记忆会导致最显著的性能下降。

意义与声明

论文认为，AI YOU 代表了从静态、单次的个性提示向长时程、受证据驱动的状态维护系统的转变。

可靠性重于原始准确度： 其主要贡献不在于实现原始特征预测精度的巨大飞跃，而在于提供了一种更受控、经过校准的方式来累积不确定的证据。这使得系统能够区分已知信息与尚不确定的信息，这对于安全且可靠的人格调节至关重要。
设计原则： 该研究表明，未来的数字孪生系统应当是受证据驱动、具备不确定性感知能力且可审计的，其生成内容应基于受支持且经过隐私过滤的状态。
审慎性： 作者明确指出当前原型是一个研究工具。他们承认了局限性，包括缺乏端到端的长时程用户研究、依赖文本推断（可能存在稀疏性或偏差）以及使用模拟基准进行人格保存测试。他们强调，该系统不能替代专业建议或身份验证。