1. 项目缘起当大模型成为“阅片无数”的影评人最近在折腾一个挺有意思的项目起因是看到一篇关于电影角色性别刻板印象的讨论。大家常聊“电影里女性角色是不是总在等待被拯救”、“男性角色是不是总在主导叙事”但这些讨论往往基于印象或者小范围的样本分析。我就想能不能用一种更“笨”、但更系统的方法把这事儿量化一下正好最近大语言模型LLM驱动的智能体Agents技术火得不行特别是像 Lilian Weng 那篇关于 LLM Powered Autonomous Agents 的文章把智能体的规划、工具调用、反思能力讲得很透。这给了我一个灵感能不能训练或者说引导一个 LLM Agent让它像一位不知疲倦、不带预设偏见的“超级影迷”去大规模地“观看”电影剧本或描述然后系统地“采访”其中的角色最后生成一份关于角色性别呈现的调查报告这个想法就是“Narrative Sharpens Gender Gaps: Surveying Film Characters with LLM Agents”这个项目的核心。简单说它不是让AI去理解电影的艺术性而是让AI作为一个标准化的“测量工具”去分析叙事文本中潜藏的、可能连创作者都未察觉的性别模式。比如一个角色被提及的动词是更偏向“领导”、“攻击”、“发明”还是“照顾”、“等待”、“哭泣”他们的对话是更多地推动情节主动还是回应他人被动他们的目标是与外部世界抗争还是处理内部情感关系传统的内容分析靠人工编码费时费力还容易受研究者主观影响。而LLM Agent一旦设计好一套稳定的“调查问卷”即提示词工程和任务流程它就能以惊人的一致性处理成千上万的文本段落。这就像给社会学研究装上了一台高精度的文本扫描仪。当然这里的关键不是LLM本身有多“智能”而在于我们如何设计这个“调查智能体”的工作流让它问出对的问题并可靠地记录答案。接下来我就详细拆解这个项目的实现思路、核心挑战以及我趟过的一些坑。2. 智能体工作流设计从“看剧本”到“出报告”要让一个LLM Agent完成电影角色调查不能简单地把整部剧本扔给它然后问“这角色男的女的有啥特点”。那样得到的结果会非常笼统且不可靠。我们需要设计一个结构化的、多步骤的工作流让智能体像执行一个严谨的社会调查程序一样工作。我的设计主要分为四个阶段剧本解析与角色识别 - 角色属性深度访谈 - 回答标准化与编码 - 数据聚合与模式分析。2.1 第一阶段剧本解析与角色识别输入是一份电影剧本的纯文本可以从IMSDb等公开剧本网站获取。第一步是让智能体理解这个叙事单元。核心提示词设计示例你是一个电影剧本分析专家。请仔细阅读以下电影剧本片段或摘要。你的任务是 1. 识别本片段中出现的所有**有台词或对剧情有明确影响的**角色。 2. 为每个识别出的角色提取以下信息 - 角色姓名如剧本中未明确请使用如“男主角”、“服务员A”等描述性标签。 - 角色性别根据剧本中的代词he/she、称谓Mr./Ms.或上下文明确描述推断。若无法推断则标记为“未知”。 - 在本片段中的主要行为用1-2个动词短语概括例如“策划抢劫”、“安慰朋友”、“逃离现场”。 - 说话行数占比粗略估算可选。这里有几个关键点划定分析范围不宜一次性处理整个剧本容易超出上下文长度且注意力分散。我通常按“场景”Scene或“10页左右”的片段进行切割。智能体对每个片段进行分析。明确“角色”定义强调“有台词或对剧情有明确影响”是为了过滤掉背景板人物聚焦于叙事驱动者。性别推断的保守原则提示词要求根据文本证据推断避免智能体滥用刻板印象例如看到“护士”就默认是女性。对于模糊情况宁可标记为“未知”这本身也是一个有趣的数据点哪些角色的性别在叙事中被模糊处理了。这个阶段的输出是一个角色列表作为后续“深度访谈”的对象池。2.2 第二阶段角色属性深度访谈这是最核心的部分。我们需要为每个识别出的角色设计一套“标准化问题”让智能体基于剧本上下文进行回答。问题设计决定了我们能看到什么样的性别差异。我设计的问题维度包括能动性Agency“该角色在本片段中是主要行动的发起者还是对他人行动的反应者”对话功能“该角色的对话主要是为了A提供信息/推动情节B表达情感/建立关系还是C其他”目标类型“该角色的主要目标是应对外部挑战如打败反派、完成任务还是处理内部/人际关系如解决情感矛盾、保护家庭”被描述的方式“其他角色或叙述者如何描述该角色使用的形容词更偏向能力型如聪明、勇敢还是外貌/道德型如美丽、善良”社会角色“该角色在片段中呈现的主要社会角色是什么如领导者、助手、专家、照顾者、叛逆者等”关键实现技巧使用函数调用Function Calling或结构化输出。 不要让智能体用自由文本回答。而是要求它必须将每个问题的答案填入一个预定义的JSON结构。例如对于“能动性”问题答案必须是{“agency”: “initiator” | “reactor” | “balanced”}。这极大地便利了后续的数据处理。利用现代LLM API如OpenAI的GPT-4 Anthropic的Claude对JSON格式的良好支持可以非常稳定地获得结构化数据。注意问题设计本身可能引入偏见。例如“目标类型”的二分法外部/内部可能过于简化。在实际操作中我通常会先在小样本上测试看这些问题是否能有效区分不同角色并根据结果进行调整。同时允许“混合”或“其他”选项也很重要。2.3 第三阶段回答标准化与编码即使获得了结构化输出也需要进行后处理。例如不同片段中同一个角色可能被识别为“John”、“John Doe”或“他”。我们需要一个简单的实体链接步骤基于角色名称和上下文进行归一化确保同一部电影中的同一角色数据被合并。此外对于文本型描述如“社会角色”可能需要进一步编码为类别。这里可以再次借助LLM给它所有收集到的社会角色描述让它进行聚类和归纳例如将“保护儿子的母亲”、“担心女儿的父亲”都归类为“家庭照顾者”。2.4 第四阶段数据聚合与模式分析当处理完多部电影比如一个流派、一个年代、一个导演的作品集后我们就得到了一个数据集。分析就可以展开了描述性统计男性角色和女性角色在“能动性”上的分布比例如何在“目标类型”上有何差异交叉分析反派角色中的性别比例拥有“专家”社会角色的性别比例时间序列不同年代的电影中这些差异是在缩小还是在固化叙事功能对比在推动核心情节麦高芬的任务中不同性别角色的参与度。此时LLM Agent的角色暂时退场传统的统计分析工具如Python的Pandas, Seaborn或简单的SQL就能大显身手。智能体负责的是高质量、标准化的数据采集而人负责提出假设和解读数据。3. 核心挑战与解决方案让智能体“靠谱”起来理想很丰满但实操中LLM Agent会给你出各种难题。下面是我遇到的主要挑战和应对策略。3.1 挑战一上下文幻觉与信息遗漏LLM可能会“脑补”剧本中没有的信息。例如剧本只说了“医生走了进来”智能体可能因为刻板印象而将其性别标记为“男”或者为其“脑补”一段行为。解决方案强调证据与设置置信度。在提示词中反复强化“仅根据提供的文本片段”、“如果文本没有明确提及请选择‘未知’或‘无法推断’”。同时在结构化输出中增加一个“evidence”字段要求智能体引用做出判断的原文句子。对于关键属性如性别甚至可以设计两步验证先让一个智能体推断并引用证据再让另一个智能体扮演“审核员”检查证据是否充分。3.2 挑战二属性判断的主观性与不一致性“能动性”是强是弱“目标”属于内部还是外部不同的人可能有不同的判断标准LLM也可能在不同片段中对相似行为做出不同判断。解决方案细化定义与提供锚定案例。不能只用一句话定义属性。需要为每个属性如“initiator”提供2-3个来自其他文本的、清晰的示例。例如“‘initiator’的示例角色A提出了一个计划角色B率先采取了行动角色C问了一个推动对话的问题。” 这相当于给智能体一个“评分标准”。此外定期用一批“标准测试片段”来检查智能体判断的一致性如果发现漂移需要调整提示词或示例。3.3 挑战三处理复杂角色与成长弧光一个角色在电影开头可能是被动的“reactor”但到结尾成长为主动的“initiator”。如果分片段分析会得到不同的标签。解决方案分层分析与叙事单元重组。这其实不是一个问题而是一个特性。我们可以从两个层面分析微观层面保持按片段分析记录每个片段角色的状态。这可以让我们绘制出角色“能动性”随时间变化的曲线对比不同性别角色的成长弧光模式例如男性角色的成长是否更常源于外部事件女性角色是否更常源于内部觉醒。宏观层面在整部电影分析完成后增加一个“总结性访谈”步骤。让智能体通览所有片段数据并对角色进行整体评估“纵观全片你认为该角色的总体主导属性是什么” 这样可以获得一个全局标签用于电影间的横向比较。3.4 挑战四成本与效率使用高级别LLM如GPT-4处理大量剧本API调用成本会很高。同时串行处理分析完一个角色再分析下一个速度很慢。解决方案任务并行化与模型分级调用。并行化识别出片段中的所有角色后可以并行发起多个“访谈”请求而不是串行。这需要一些简单的异步编程。模型分级并非所有任务都需要最强大的模型。可以用低成本、快速度的模型如GPT-3.5 Turbo进行初筛和简单字段提取如角色名、性别。对于最核心、最主观的“深度访谈”问题再调用更强大的模型如GPT-4。这样能在保证质量的同时控制成本。4. 从数据到洞察一个简单的案例演示为了更具体假设我们用上述流程分析了10部经典动作片和10部经典爱情片各50个片段。我们聚焦“能动性”这一个维度。经过数据处理我们可能得到这样一张汇总表电影类型角色性别Initiator (%)Reactor (%)Balanced (%)样本数角色-片段动作片男性65%20%15%300动作片女性28%55%17%120爱情片男性40%35%25%180爱情片女性38%40%22%200注以上为示意数据非真实结果我们可以从中读出什么类型强化差异在动作片中性别差距非常尖锐。男性角色主导行动65%的Initiator而女性角色超过一半处于反应者位置。叙事确实“锐化”了性别差距。类型间的对比在爱情片中性别差距显著缩小男女角色在能动性上的分布变得相对均衡。这说明性别呈现与叙事类型Genre强相关。“Balanced”的启示无论在哪种类型中“Balanced”平衡的比例都不算高。这可能意味着在我们的叙事中角色常常被推向“主动”或“被动”的一端而非处于复杂的中间状态。更进一步我们可以深入看某个具体案例。比如在分析《异形》系列时我们可能会发现雷普利Ripley在第一个片段中被标记为“Reactor”对异形事件做出反应但随着剧情推进她迅速且稳定地向“Initiator”转变最终比例可能远超动作片女性角色的平均水平。这就能量化地展示一个“打破常规”的女性角色是如何被塑造的。5. 项目的边界、局限与未来延伸这个项目听起来很酷但它有明确的边界和局限清醒地认识到这些比做出漂亮的数据更重要。首先它分析的是“文本表征”而非“观众接收”。它测量的是剧本怎么写而不是观众怎么想。一个被写成“反应者”的女性角色可能在观众心中留下强大印象因为她反应的方式极具智慧。反之亦然。这是内容分析法固有的局限。其次它严重依赖提示词设计和分类体系。所谓“性别差距”是我们预先定义和测量的。如果我们换一套问题例如关注角色的“幽默感来源”或“脆弱性展示”可能会发现完全不同的模式。工具本身是客观的但研究设计是主观的。再者性别二元划分的局限性。当前流程主要处理“男/女”对于非二元性别角色处理能力很弱。这既是当前社会叙事文本中的现状反映也是方法学上需要改进的地方。一个可能的改进是增加对角色性别气质多元化的分析维度。关于未来延伸有几个有趣的方向多模态扩展目前的智能体是“文本盲”。如果能结合多模态模型让智能体直接分析电影画面可以测量更多元的信息如镜头时长谁在镜头中心、景别谁的特写多、肢体语言等。动态交互调查不仅调查角色还可以让智能体模拟“观众”询问它“你认为这个角色最重要的特质是什么”、“你认同这个角色吗”从而间接测量叙事可能产生的潜在影响。创作辅助与反思工具将这个工具反向提供给编剧或内容创作者。在创作初期输入故事大纲让智能体生成一份“潜在性别表征报告”提示创作者“你的女性角色目前有80%的对话是情感表达而男性角色80%是推动情节是否需要调整” 这可以作为一种创作层面的多样性检查工具。回过头看这个项目的价值不在于给出一个“电影界性别歧视”的简单结论而在于提供一套可重复、可扩展的测量方法。它把感性的讨论变成了可以观察、可以辩论的数据点。LLM Agent在这里不是一个给出终极答案的“AI”而是一个不知疲倦的“数据采集员”和“初级编码员”。它让我们能够以更低的成本、更大的规模去审视我们集体讲述的故事中那些深层的、重复的模式。最终理解这些模式是为了拥有讲述更多元、更丰富故事的可能性。