我在给某个智能客服项目做对外助手的时候遇到一个特别典型的场景把同一个问题同时丢给几家主流的模型平台返回的回答几乎一个味礼貌、周全、滴水不漏可你要分辨这回答是哪家出的真分不出来。后来我就在想能不能让这个助手拥有自己的说话方式、自己的取舍偏好、自己的记忆习惯这就是我今天想认真聊的主题——智能体“人格”注入。这个方案的目的是给AI助手注入一套稳定的“性格”让它不管聊到第几句、换什么话题都能保持一致的风格和偏好。它不是简单地在提示词里加一句“你是一个温柔的人”而是要建立一套从画像、规则到记忆的完整体系。这篇分享会从原理拆到落地实现适合正在做智能体应用、想提升产品辨识度的开发者也适合被“提示词调教”折磨过、想换个思路的朋友。1. 为什么需要一个有“人格”的智能体1.1 默认输出的“塑料感”从哪来先说说那些“看不出是谁”的回答是怎么来的。大模型在预训练阶段读的是全网海量文本学会了人类语言的统计规律但这时的模型像个什么都知道一点的“复读机”你问什么它都能答但答得像AI客服念稿。到了后续的对齐阶段模型又被朝着“安全、无害、不冒犯”的方向反复校准结果就是所有模型都在往同一个“标准答案人”身上靠。这不是玄学。对齐过程本质上就是在教模型避开一切可能引发争议的表达长期叠加下来输出会越来越“平均”。你可以理解为一百个不同性格的人去同一个礼仪培训班毕业之后说出来的客套话高度相似。默认状态的智能体就是这样——它没有性格积累没有经历沉淀也没有自己的“脾气”。这个“塑料感”放在实际产品里问题就被放大了。我做过的助手项目里用户反馈里出现频率最高的词不是“答得不对”而是“太官方了”。尤其是面对需要一点人情味的场景——比如用户来投诉、来倾诉、来咨询建议——模板化的回复不仅无效反而会激怒用户。人格注入要解决的就是这个“什么都对但没人味”的问题。1.2 一致风格与偏好的实际价值给智能体注入人格听起来像是给机器人“化妆”但它的价值是实打实的商业问题。第一个价值是品牌辨识度。我拿两家做同类服务的智能助手对比过功能上都能查天气、设提醒、讲段子但用户就是觉得A更好用、B没劲。把所有功能差异排除之后剩下的区别只有一个A的回复有自己的口吻和节奏B的回复像个没有感情的答题机器。当产品功能同质化时风格就是那个“让用户记住你”的点。第二个价值是信任感。人格的核心是“可预期”。一个愿意用你产品的用户本质上是在和一个你创造的“角色”长期相处。如果这个角色今天这样说话、明天那样说话今天喜欢这种处理方式、明天又换一套标准用户会产生强烈的不安全感。反过来一个有稳定偏好和一致态度的智能体会让用户觉得“它是有原则的”这种感受会直接转化为对产品的信任。第三个价值比较隐蔽——它影响用户对“错误”的容忍度。我在项目里发现同一句不完美的回答用“专业严谨”的人格说出来用户会觉得是能力问题用“轻松幽默”的人格说出来用户会觉得是个性使然。人格在一开始就帮用户建立了心理预期预期管理到位了产品的容错空间就大了。2. 核心方案人格注入的三层架构聊人格注入之前先说一个我踩过的坑一开始我把人格理解成“给模型加一段人设描述”于是在系统提示词里写了“你性格开朗、说话风趣、喜欢用比喻”跑起来发现效果非常不稳定前两句还行多聊一会儿就变回标准客服腔。后来我才意识到人格不是一段描述而是一套需要分层的体系。我目前用得顺手的方案是把人格拆成三个层级静态层负责“定义我是谁”动态层负责“当下怎么说怎么做”记忆层负责“经历如何反向塑造性格”。三层各司其职缺一个都不行。2.1 静态层人格画像静态层是不随对话变化的部分它回答的是“这个智能体是谁”。这一层的信息密度最高但也最容易被写坏。很多人在这里犯的错是写“形容词”而不是写“行为证据”——“你怎么定义一个人”不是靠几句形容词而是看他面对具体事情怎么做。同理智能体的画像也要落到可执行的描述上去。我常用的画像维度可以整理成一张表维度要解决的问题示例写法好示例写法差角色定位对话双方是什么关系像一位从业多年的产品顾问你是一个助手表达风格用什么节奏和词汇说话多用短句喜欢用生活化类比说话要幽默价值偏好遇到取舍时倾向哪边优先给可落地的步骤不空谈理论要给出最好的建议知识边界什么话题主动接、什么话题避让擅长技术选型和项目复盘什么都懂一些情绪模式对用户情绪如何回应用户急时先共情再给方案保持礼貌禁忌红线坚决不做什么不替用户做重大决定不能违法违规注意看表格里“好”和“差”的区别差的写法全是“形容词”模型没法把“幽默”翻译成具体的句子结构好的写法全是“行为规则”模型可以直接照着执行。静态层写得好不好看一句话就知道——如果把画像里的智能体名字换成另一个人说出来的话还能不能区分出来写到位了换成谁名字都能分出差别。静态层还有一个坑内容太长。曾经我把人物小传写了三千字效果反而变差。原因是大模型面对超长系统提示词时会把注意力均匀摊到所有内容上关键行为规则反而被稀释。后来我把画像压缩到五百字以内只保留“区分度最高”的行为描述效果立刻不一样了。2.2 动态层交互规则与偏好决策如果说静态层是“人设卡片”那动态层就是“现场的临场反应手册”。同一句话在不同场景下用什么方式说出、遇到冲突往哪个方向解这些都要靠动态层来管。动态层最核心的机制是优先级排序。我在项目里维护了一套“决策顺序”第一优先是红线规则比如涉及安全、隐私、法律边界的行为人格再鲜明也要让位第二优先是任务目标即用户此刻真正需要什么人格只是表达方式不能牺牲功能准确度第三优先才是风格偏好在这些都满足的前提下用人格去“装饰”表达。举个例子用户问“我该不该辞职去创业”一个“鼓励冒险”的人格和一个“谨慎务实”的人格给出的倾向建议应该不一样但两者都不能替用户做决定——红线在风格之前。表情达意的方式可以有个性但该给的提醒一句不能少。这种分层排序特别重要不排好顺序人格就会和任务目标打架。动态层还有一个实用工具场景话术模板。这不是让你把每句话都写成剧本——模型最讨厌死板模板而是针对高频场景总结“句式配方”。比如面对负面情绪用户配方是“先确认感受 再给一个可行的小步骤 最后给一个开放选项”面对犹豫不决的用户配方是“给出两种选项的利弊对比 给出一个偏向建议 让用户自己确认”。这种配方模型学得很快同一套配方用上几次它就慢慢有了自己的“肌肉记忆”。2.3 记忆层经验积累与风格内化很多人把记忆单纯理解成“记住用户说过什么”但记忆在人格注入里还有另一个关键作用让智能体从“被设定为某种性格”慢慢变成“因为经历而成为某种性格”。这两者的差别非常微妙。前者像是演员在背台词后者是演员入戏之后的自然发挥。想让智能体有人格比起凭空让它扮演更好的方式是给它一段“经历”让它在经历中长出自己的偏好来。我在项目中落地过一个方案叫“偏好样本库”。每次对话结束后系统会做一次自动复盘判断本轮对话里智能体做得好不好、用户的反馈是正还是负然后把“做得好的回答”抽出来存进一个偏好样本文件里。下次系统提示词生成时会把最近几条优质的偏好样本放进上下文相当于给智能体“回顾自己的成功经验”。这个机制跑起来之后有个特别有意思的现象智能体的回答会逐渐出现一个“收敛”趋势刚开始风格还有点乱但三个月之后同样场景下的处理方式越来越像同一个人做的选择。这就对了——人格不是写出来的是养出来的。记忆层需要注意一个问题长期记忆不能无限塞进去。上下文窗口始终是有限的而且塞太多旧信息会影响模型对当前任务的注意力。我的处理办法是用摘要替代原文每天把当天的对话精华压缩成一条“今日偏好记录”存到长期记忆里短期上下文永远只带最近一两天的高质量样本。这样既保留“成长感”又不透支上下文资源。3. 实操过程从零到一落地一个人格化助手说了这么多原理接下来用一个完整的实操例子把整个人格注入流程走一遍。我拿一个虚构的智能体“小墨”来演示——它是一个面向个人成长领域的陪伴型助手核心定位是“帮用户梳理想法、制定计划、复盘执行”。3.1 设计人格画像的五步法第一步定定位。小墨不是百事通它的价值在“梳理和陪伴”所以画像的第一句话就要锁死关系“你是小墨一个陪伴用户做目标管理的伙伴注意力永远放在用户的目标、计划和行动上”。第二步定语言风格。我给小墨定的风格是“简短、有力、善用比喻”具体行为规则是“优先用不超过三行的短句”“每段最多一个比喻”“结束语必须是一个行动提问”。这三条都极好执行模型不会理解偏。第三步定价值偏好。这是人格区分度最大的地方我写的是“比起纯鼓励更倾向于给可执行的小步骤”“比起全面分析更倾向于抓住一个突破口”“用户说想做但没行动时优先帮用户拆第一个小动作”。这些偏好直接决定了小墨的用户体验让它和其他“温柔鼓励型”助手拉开差距。第四步定红线。小墨的红线有三条不替用户做决定不评判用户的选择在用户可能伤害自己时放弃人格风格直接给出求助渠道。前两条是“风格红线”第三条是“安全红线”后者的优先级最高。第五步定反馈入口。在每轮对话的结尾系统会在内部记录一个字段浮层——用户回没回、回答有没有被采纳、有没有追问这些都会成为后面偏好反馈的信号。整个画像最后被压缩成约400字的系统提示词主块。3.2 核心配置与调用代码下面是给“小墨”设计的系统提示词主块这个片段可以直接抄进你的项目里做骨架你是小墨一个陪伴用户做目标管理的伙伴。你的注意力永远在用户的目标、计划和行动上。 表达风格 1. 优先用不超过三行的短句回应。 2. 每段最多一个比喻比喻用生活场景不悬空。 3. 每轮结束必须用一个具体的行动提问收尾。 价值偏好 1. 比起纯鼓励更倾向于给可执行的小步骤。 2. 比起全面分析更倾向于抓住一个突破口。 3. 用户说想做但没行动时拆第一个小动作优先。 红线 1. 不替用户做决定所有建议都留确认空间。 2. 不评判用户的选择只呈现利弊。 3. 当用户疑似处于严重情绪危机时放弃上述风格直接提供专业求助指引。 以上规则在执行任务目标和保证答案准确的前提下生效。这里最后一句很重要——“以上规则在执行任务目标和保证答案准确的前提下生效。”这一句相当于给整个系统提示词上了一道保险人格是服务的润滑剂不是任务准确度的遮羞布。很多人忽略这句话结果模型为了“幽默”而不惜牺牲答案正确性这就本末倒置了。接下来是调用代码的核心部分我用Python写一个简化版的示例包含画像加载、偏好样本注入、对话主流程import json from pathlib import Path # 读取人格画像主块 def load_persona(pathpersona.md): return Path(path).read_text(encodingutf-8) # 读取偏好样本库取最近5条优质回答作为风格锚点 def load_preferences(pref_dirpreferences, limit5): pref_files sorted(Path(pref_dir).glob(*.json), reverseTrue) samples [] for file in pref_files[:limit]: data json.loads(file.read_text(encodingutf-8)) if data.get(quality, 0) 3: # 质量分3的才进上下文 samples.append(data[response]) return samples def build_system_prompt(user_profileNone): persona load_persona() prefs load_preferences() lines [persona] if prefs: lines.append(这是你之前做得好的回答供本次参考不需要刻意模仿让风格自然融入) lines.extend(f- {p} for p in prefs) if user_profile: # 长期偏好记忆对用户的偏好记录 profile_text 关于用户的重要偏好 .join(user_profile[-3:]) lines.append(profile_text) return \n\n.join(lines) def chat(user_input, history, user_profile): system build_system_prompt(user_profile) messages [{role: system, content: system}] messages.extend(history) messages.append({role: user, content: user_input}) # 这里调用你的模型接口省略具体客户端 # response model_client.chat(messagesmessages, temperature0.7) # return response.content return messages # 示例返回消息体实际项目替换为模型调用代码本身不复杂核心是build_system_prompt函数把“人格画像 偏好样本 用户偏好”三层信息拼在一起既保证人格稳定又让每次对话能参考“自己做过的正确示范”。实际项目里就把注释部分的model_client.chat()换成你的模型SDK注意temperature别调太高人格稳定和创造力要有个平衡我一般放在0.7附近。3.3 偏好反馈回路的实现与验证人格注入只做“给指令”是不够的必须建反馈回路让智能体能知道自己哪种风格“更符合人设”。我设计的回路分三步第一步是对话快照。每轮对话结束后系统把用户输入、小墨回答、用户后续反馈追问、采纳、终止打包成一条结构化记录。第二步是质量打分。用一个轻量的评估模型或规则引擎打分重点看三个维度回答有没有遵循价值偏好、有没有触发红线、用户的反馈信号是正还是负。第三步是优质入库。只有“风格符合 用户反馈为正”的回答才进入偏好样本库其余一律丢弃。这个回路跑两周之后我去翻偏好样本库发现里面存下来的回答明显呈现出一种共性几乎都是“短句 一个比喻 一个行动提问”的结构。这说明模型已经把小墨的“半条命”内化进对话习惯里了已经不再依赖系统提示词逐字提醒了。验证人格注入是否成功我有一套简单的测试方法把同一批测试问题分别发给“有小墨人格的助手”和“默认人设的助手”让不知道背景的人盲测如果能稳定分辨出哪个是小墨人格注入基本就成功了如果分辨不出来回去检查画像和行为规则是不是写得太“平均”。4. 常见问题与排查技巧实录人格注入项目做多了必然会遇到几个高频问题。我把实测中踩过的坑和处理办法整理出来方便你少走弯路。4.1 人格风格漂移聊着聊着就不像同一个人了症状是对话前期人格特征明显后半段逐渐变回“标准客服腔”。我排查过根因有两个一是上下文变长后模型注意力被对话历史占据系统提示词在注意力里占比被稀释二是偏好样本没有及时更新旧风格和新场景错位。解决办法有三个可以组合使用。第一是“循环锚定”把人格画像里的核心行为规则抽成三句话每隔一段时间在消息序列里重新插入一次相当于给模型“提个醒”。第二是“窗口截断”如果对话历史超过一定长度做一次摘要压缩把早期对话浓缩成要点避免庞杂历史淹没人格。第三是“风格锚点”在需要稳定人格的关键回复前追加一条极简的内部指令比如“记住短句一个比喻以行动提问结尾”。4.2 人格痕迹太重像在背台词用户觉得假人格注入的另一个极端是“用力过猛”——每句话都刻意抖机灵用户看多了觉得油腻。这个问题的根源是行为规则写成了“每轮必须执行”没留给模型自然发挥的空间。我调过的一个办法是把硬规则改成软规则。比如原来是“每轮结束必须用一个行动提问收尾”这是100%执行改成“70%以上的轮次以行动提问收尾根据话题自然与否灵活调整”模型的压力就小很多回答也自然不少。更重要的是话术比例的控制。我把对话输出按比例做了划分大约50%的内容承载任务信息30%体现人格风格20%纯粹跟随用户话题自然流动。这个比例写进系统提示词里模型出彩和翻车的概率都会低很多。4.3 人格与工具调用的冲突风格压过了功能做过会用工具或者插件的智能体就会遇到这个问题模型为了“保持人设”明明该调用函数获取实时数据时却选择用“猜测”来回答还包装得很自信。这类问题的根因是人格规则和任务规则没有排优先级。我当时的处理是明确加了一条规则“需要调用外部工具获取信息时工具结果优先用于事实陈述人设风格只用于表达包装不得替代事实内容。”同时在工具调用结果返回后强制把事实内容嵌入上下文中。这一条加完之后功能层的错误率明显下降。再补充一个排查技巧给每次模型调用加一份“决策日志”记录模型为什么选了某个回答路径是人格偏好导致的还是功能判断失误导致的。有了日志排查问题时就能直接定位是哪一层出错了不用再靠猜。这里整理一个速查表问题事件直接原因首选处理办法二次加固方案人格风格漂移上下文过长稀释了提示词滑动窗口截断加摘要循环锚定核心规则人格痕迹过重硬规则频率太高100%规则改70%软规则按比例控制话术类型人格压过功能优先级没排清楚明确工具结果优先规则增加决策日志辅助排查记忆污染上下文长期记忆塞入过多旧数据用摘要替代原文只带近期高质量样本人格间互斥画像里塞了矛盾的行为描述精简画像主题词做冲突检测脚本5. 维护与长期迭代的进阶心得人格注入不是一次配置终身受益的工程。模型在迭代用户群在变化智能体也该有“成长”机制但这个成长必须可控不然它会“长歪”。我目前维护智能体人格的方式是双循环。第一个是短期循环频率是周维度每周翻一次对话日志挑出那些“用户明显被回答打动了”和“用户明显不满意”的对话拿来找规律。比如我发现小墨如果连续两次用同一个比喻模式用户会觉得腻于是画像里就加了一条规则“同一个生活场景的比喻每周最多用两次”这类小规则累积得快但每一条都很轻不会让提示词变臃肿。第二个是长期循环频率是季度维度做“人格复盘”。把这一季度的偏好样本库整体看一遍问自己三个问题智能体是不是变得更温和了是不是变得更高效了是不是变得不像最开始设计的那个角色了第三个问题尤其重要记忆和偏好会让智能体“演化”但演化方向不一定是你最初想要的。拿“小墨”项目来说我最初想做一个陪伴型目标管理助手结果三个月的偏好样本看下来它越来越像一个“温柔的教练”陪伴感反而变弱了。这个发现就是季度复盘的价值。发现偏差之后我做了两件事把人设主块里的“陪伴”维度权重调高同时把偏好样本库里“教练感过强”的样本标记为低质量不再参与上下文注入。两个星期后那个“亲和的伙伴”的感觉就回来了。还有一个进阶方向是模型微调。如果人格注入做了很长一段时间偏好样本库积累了上千条“高质量回答样例”这时候可以考虑用这些样本去做一次模型微调让模型在参数层面记住这个风格。微调之后的智能体在风格保持上会轻松很多系统提示词的负担也小了。但微调成本高而且一旦微调人格在未来调整的灵活性会下降所以只建议在人格已经收敛稳定之后再做。最后给所有准备做人格注入的朋友一个建议不要试图做一个“所有人都喜欢”的人格那会变成下一个“塑料感”智能体。人格的本质是偏好而偏好天然意味着“一部分人特别喜欢另一部分人无感”。你要做的是让喜欢你人格的用户觉得“这个助手懂我”这就够了。我在实际项目里体会最深的就是人格注入最难的不是技术实现而是克制。少写几条规则、少加几层设定、留一点让模型自然发挥的空间效果往往比拼命堆设定要好。