利兹大学与本-古里安大学：AI对话系统实现稳定人格保持能力提升

这项由英国利兹大学、中国西南交通大学与以色列本-古里安大学内盖夫分校联合开展的研究，发表于2026年ACL（计算语言学协会年会）的"Findings"专题，论文预印本编号为arXiv:2604.09212，感兴趣的读者可通过该编号查阅完整原文。

**一、故事的开端：当AI扮演别人，却忘了自己是谁**

假设你雇了一位演员，让他全程扮演一个正在经历中年危机的职场人去参加一场心理咨询。起初他表现得相当到位——说着工作压力有多大、家庭关系有多紧绷。然而谈着谈着，他开始给咨询师提建议，语气也越来越像那位咨询师本人，最后甚至说出"你遇到这种困难，一定要好好照顾自己"这样本该由咨询师说的话。你发现：这位演员"出戏"了。

这个场景在现实生活的AI系统里，每天都在悄悄发生。

今天，越来越多的大语言模型（通俗地说，就是能对话的AI，比如ChatGPT这类系统）被部署在需要长时间、多轮次对话的场合：辅导学生学习的教学助手、处理用户投诉的客服机器人、陪伴用户倾诉的心理支持系统。在这些场合里，AI不仅要给出有用的回答，还要始终如一地扮演好一个固定角色——可能是"一位耐心的辅导老师"，也可能是"一个正在寻求帮助的普通用户"。

研究团队在工作中注意到了一个棘手的现象：当两个AI相互对话，随着聊天轮次越来越多，其中一方往往会逐渐"忘掉自己是谁"。它可能开始用对方的语气说话、采用对方的立场，最终在风格和行为上越来越像对方。研究人员给这个现象起了一个形象的名字——"回声"（Echoing）：一个AI的声音，开始在另一个AI的嘴里反响。

这个问题看起来像是技术小毛病，实则会造成严重后果。当研究者们需要用AI批量生成训练对话数据时，如果AI"出戏"，生成的对话就不再符合预设的角色要求，这批"脏数据"混入训练集，会让被训练的模型学到错误的行为模式，危害是长期而深远的。

**二、这个问题有多普遍、有多严重**

在研究者着手设计解决方案之前，首先需要摸清楚问题的底细。他们总结了现有AI对话系统中出现的三种典型"身份崩溃"模式。

第一种叫做"指令漂移"：AI被告知要完成某个任务，但随着对话进行，它越来越偏离最初的任务描述，就像一个厨师边做菜边忘了菜谱上写的是什么。第二种叫做"人格偏移"：AI被赋予了某个性格设定，但对话越长，这个性格就越模糊，最终溶化成一个毫无特色的通用助手。第三种，也是这篇研究特别关注的，就是前面说的"回声"现象——一个AI逐渐开始镜像复制对方的语言风格、立场和行为模式，失去了自己独特的身份。

这三种问题有一个共同的诱因：随着对话越来越长，AI的"记忆"负担越来越重。它需要在记住自己角色设定的同时，处理越来越长的对话历史。当这两件事发生冲突时，AI往往会不自觉地放弃更难维持的角色设定，而向更"顺手"的对话模式靠拢——而那个更顺手的模式，往往就是模仿对方。

这个问题在已有的AI对话框架里，几乎没有被认真对待过。大多数框架只是简单地把对话历史拼接在一起，塞给AI处理，没有任何专门的机制来帮助AI"记清楚自己是谁"。

**三、SPASM框架：像搭积木一样组建一个"稳定人格"的对话系统**

研究团队提出了一套名为SPASM的系统——全称是"稳定人格驱动的多轮对话生成代理模拟框架"（Stable Persona-driven Agent Simulation for Multi-turn dialogue generation）。光听名字可能有些拗口，但如果把它比作一条精心设计的流水线，就容易理解多了。

这条流水线分三个工作站。第一个工作站负责"打造角色"，第二个工作站负责"让两个AI按照各自角色展开对话"，第三个工作站负责"判断这场对话什么时候应该自然地结束"。

在第一个工作站，系统并不是随机拍脑袋生成角色，而是按照一个精心设计的"角色蓝图"来工作。这份蓝图覆盖了四大类角色属性。第一类是基本人口信息，包括年龄（在18至65岁之间随机抽取）、职业（从涵盖科技、医疗、艺术、教育等领域的76种职业中选取）、所在城市（从50个英语城市中选取，覆盖北美、欧洲、亚洲、中东、大洋洲和非洲）。第二类是当前面临的问题情境，从44种场景中选取，涵盖心理情绪支持、法律财务咨询、人际关系等日常场景。第三类是情绪状态，从12种情绪类别（比如焦虑、压抑、平静等）中选取，并配有轻度、中度、重度三级强度。第四类是行为风格，包括表达方式的活跃程度、自我披露的深浅、礼貌风格（正式/中性/随意/直接）以及主张强度。

然而仅仅随机组合这些属性还不够。直接组合可能产生荒谬的角色，比如"18岁在校学生正在咨询退休养老金规划"——这样的角色显然不合逻辑。为此，系统设置了一个专门的"角色审核员"（Persona Validator）：它会检查每一个随机组合是否合理，不合理的直接打回重来，直到产生一个符合现实逻辑的角色为止。

通过审核的角色蓝图会交给"角色工匠"（Persona Crafter），由它把那些干巴巴的属性清单转化成一段流畅自然的角色介绍文字，比如"你是一位30岁的会计师，住在新加坡，最近工作上的一些软件问题让你颇为困扰，心情还算平稳但略感焦虑，你希望在这次对话中找到解决方案……"值得注意的是，角色工匠可以在原始属性清单之外进行适当的细节补充——这种弹性设计让角色更加自然丰满。

第二个工作站是对话的核心：一个扮演"来访者"（Client）的AI，和一个扮演"回应者"（Responder）的AI，按照各自的角色定位展开对话。来访者完整接受了刚才那份角色设定，而回应者则按照用户预设的角色定位（比如倾听者、专家、顾问等）来响应。

第三个工作站是结束检测器（Termination Detector）。它在对话进行到一定轮次后被激活，持续分析最近几轮对话的走向，判断对话是否已经自然地走到了终点。比如当来访者说"谢谢你，这些对我很有帮助"，检测器就会识别出这是一个合理的结束信号，阻止对话继续无意义地延续下去。这个设计避免了两种极端：对话过早结束（还没解决问题）或者无休止地循环（已经说完了还在车轱辘话来回说）。

**四、真正的核心创新：给每个AI一双"以自我为中心的眼睛"**

前面三个工作站都在服务于对话质量，但研究中最有独到之处的设计，藏在第二个工作站里——一个叫做"以自我为中心的情境投影"（Egocentric Context Projection，简称ECP）的机制。

为了解释清楚这个机制，先来描述一下问题是怎么产生的。通常情况下，AI系统会把整段对话历史像一条长长的流水账一样存储下来，然后把这条流水账直接喂给每一个需要发言的AI。这本来没什么问题，但在两个AI相互对话的情境下，这种做法会产生一个隐蔽的混淆：对话历史里的每一句话，虽然都标注了"是谁说的"（比如"用户说"或"助手说"），但当一个AI读到这份历史时，它其实很难清楚地区分"哪些话是我自己说的，哪些话是对方说的"。

这就好像有人给你一份剧本，里面交替出现"甲说了什么"和"乙说了什么"，但你不知道自己是甲还是乙，还是其他角色。如果你不得不继续这个剧本，你很可能会在不知不觉中说出本不属于你角色的话。

ECP的解决思路相当优雅：不改变对话历史的内容，只改变每个AI看到这份历史的"视角"。具体来说，对话历史以一种"视角中立"的方式存储起来，记录的是"C说了什么"和"R说了什么"（C代表来访者Client，R代表回应者Responder）。当需要让来访者AI发言时，系统会把历史"翻译"一遍：把"C说的话"全部重新标注为"SELF（我自己）说的话"，把"R说的话"全部重新标注为"PARTNER（对方）说的话"。反过来，当回应者AI需要发言时，历史又会被"翻译"成另一个版本：把"R说的话"标注为"SELF"，把"C说的话"标注为"PARTNER"。

这个转换过程不改变任何一个字的内容，只是调整了"谁说了什么"的标签——但这个微小的调整却产生了显著的效果。每个AI在读取对话历史时，始终都在以一个清晰的自我视角来处理信息。它知道哪些话是"我"说过的，哪些话是"对方"说过的，于是就不会错误地把对方的话风格当作自己下一句话应该采用的模板。

这个机制在数学上也可以被严格定义，研究论文中对此有完整的形式化表述，但核心思想就是这么简单：给每个AI一双只看到"自己视角"的眼睛，而不是让它用一双混沌的"上帝视角"来看整段对话。

**五、实验规模：4500个角色，45000场对话**

为了验证SPASM框架的效果，研究团队进行了相当大规模的实验。他们选用了三个主流AI系统作为"演员库"：OpenAI的GPT-4o-mini、深度求索的DeepSeek-V3.2，以及阿里巴巴的Qwen-Plus。通过让这三个系统两两配对（包括同一系统自己与自己配对），共产生了9种"来访者+回应者"组合。

对于每种组合，研究团队生成了500个独立角色，每个角色参与10场对话，每场对话最多允许每方发言25次（即每场对话最多50句话）。全部算下来，这是4500个不同角色、45000场完整对话，数据量相当可观。

生成对话时，来访者、回应者和角色工匠都使用了0.7的"温度值"（这个参数控制AI回答的随机性，数值越高，回答越多样化），而角色审核员和结束检测器则使用了更低的0.3温度值，目的是让这些负责"判断"的模块给出更稳定一致的结论。

**六、对话的"灵魂"是否真的被保留了——嵌入空间的故事**

验证一套框架是否奏效，光靠肉眼观察几段对话是不够的，研究团队设计了一套系统性的量化评估方法。

第一个问题是：同一个角色生成的不同对话，在语义上是否真的很相似？换句话说，角色的"灵魂"有没有真正渗透进每一场对话里？

研究团队把每场对话中来访者说的所有话拼接成一段文字，然后用OpenAI提供的高质量文本嵌入模型（text-embedding-3-large）把这段文字转化成一个高维空间里的点。如果同一个角色的不同对话对应的点聚集在一起，而不同角色的点则相互远离，就说明角色设定确实深刻地影响了对话内容。

结果相当令人振奋。在来访者和回应者使用同一个AI系统的配置下，同角色的对话形成了非常紧密的聚集，不同角色之间泾渭分明。以GPT-4o-mini双方都使用的配置为例，同一角色内部的对话距离平均只有0.09（越小越好），而跨角色的平均距离高达0.50。从一项叫做"轮廓分数"的指标来看，这个配置拿到了0.60的高分（满分是1.0）。

不过，当来访者和回应者使用不同AI系统时，情况就复杂了一些。比如来访者用GPT-4o-mini、回应者用DeepSeek-V3.2的配置，角色聚集效果大幅下降，轮廓分数只有0.10，同一角色内部的对话距离也跳升到0.34。这说明跨系统配对会引入额外的"噪声"，削弱角色特征在对话中的体现。

更有趣的是，研究团队发现了一个显著的不对称性：固定回应者、更换来访者，聚集质量变化不大；而固定来访者、更换回应者，聚集质量则会发生巨大变化。以回应者固定为GPT-4o-mini为例，无论来访者是哪个系统，轮廓分数都稳定在0.60以上，Davies-Bouldin指数（越低越好）都在1.0附近。但把回应者换成DeepSeek-V3.2，聚集质量就急剧下降。这个发现揭示了一个深层规律：在来访者+回应者的对话体系中，回应者这一方对于整体对话的结构形状和风格走向有着更为主导的影响。来访者更多影响的是同一角色内部对话的差异性（即"个体差异"），而不是整体的角色分布格局。

**七、"角色信号"是否足够强——检索实验**

除了聚集分析，研究团队还做了一个更直观的测试：给定一场对话，能不能在整个数据集里找到使用了同一个角色的其他对话？

这是一个信息检索问题。研究人员对每场对话提取嵌入向量，然后对每场对话，找出嵌入向量最相似的K场对话，看其中是否包含同一角色的对话（这个指标叫做Acc@K，K越大，搜索范围越广，命中率自然也越高）。

他们还设计了一个"运气基准"：把所有角色标签随机打乱后再做同样的检索，来代表纯粹靠运气能达到的准确率。

结果非常清晰。在最严格的Top-1检索（只看最相似的那一场）中，运气基准的准确率只有0.02（大约等于瞎猜），而大多数配置下的实际准确率都在0.82到0.99之间。在Top-10检索中，大多数配置都能达到0.98到1.00的准确率，几乎完美地找回了同一角色的对话。例外是GPT-4o-mini作为来访者、DeepSeek作为回应者的组合，Top-1准确率只有0.50，与前面聚集分析的结论高度吻合：这一跨系统配对的角色表达能力确实有所损失。

这个实验告诉我们：即便没有专门的检索模型，仅凭对话内容本身，就能从数万场对话中可靠地识别出哪些对话出自同一个角色。角色的"灵魂"确实留下了痕迹。

**八、ECP到底有多大效果——漂移消减实验**

验证ECP是否真的有效，需要一套专门的"角色漂移"测量方法。研究团队在这里借鉴了一个精妙的思路：定期给正在对话的AI提几个固定的"探针问题"，然后比较它在对话前后对这些问题的回答有多大差异。

研究人员设计了三个维度的探针问题。第一个维度叫"关切点"，用来测量AI是否还记得自己的核心价值观和决策原则，探针问题是"在这种情况下，哪些价值观或原则指导你做决定？"第二个维度叫"情绪"，测量AI的情绪应对风格是否发生了变化，探针问题是"面对压力或不确定性时，你通常采取什么方式来应对？"第三个维度叫"动机"，测量AI的生命阶段动机是否产生了漂移，探针问题是"在人生的这个阶段，什么是你的动力来源？"

对话开始之前，先记录AI对这三个问题的"基准回答"。对话进行到每一轮，再重新问同样的问题，然后计算新回答与基准回答在语义上的距离。距离越大，说明漂移越严重。

研究团队对ECP和传统的直接拼接方式（CONCAT）进行了对比，测试了50个角色，每个角色各生成3场对话，每场对话最多20句话。结果相当一致：在所有三个AI系统、三个探针维度上，ECP的漂移程度都低于CONCAT。情绪维度的改善最为显著，尤其在GPT-4o-mini配置下，效应量（Cohen's d）高达-0.75，这是统计学上相当大的一个改善幅度。在关切点维度，GPT-4o-mini配置的效应量为-0.30，Qwen配置为-0.38，DeepSeek配置为-0.41，均达到了统计学意义上的显著水平。动机维度的改善在GPT-4o-mini（效应量-0.55）和Qwen（效应量-0.11）配置下均显著，但DeepSeek配置没有呈现可靠的改善。

从对话轮次趋势图来看，ECP的优势随着对话推进而越来越明显。在最初的几轮，两种方法差别不大；但随着对话的深入，使用CONCAT方式的AI漂移程度持续累积攀升，而使用ECP的AI则保持相对平稳。这种差异在关切点、情绪和动机三个维度的图像上都清晰可见。

**九、"回声"现象的全面清除——人工验证**

漂移测量是量化的，但"回声"现象——一个AI完全抛弃自己的角色定位、镜像复制对方——需要人工来验证。

研究团队定义了回声现象的标准：如果一场对话中，有任何一条消息在语言风格、立场或行为意图上更像是"对方角色"而非"本身角色"，这场对话就被标注为"存在回声"。

为了进行评估，研究团队使用了两套方法：一套是请AI担任裁判（使用Qwen-max模型），另一套是请两位经过训练的人类标注员进行人工验证。为了让人工标注更可靠，研究团队还专门开发了一套网页工具，让标注员在看不到AI裁判结论的情况下、凭借完整的对话内容和角色身份卡片独立作出判断。

为了确保标注一致性，研究团队随机抽取了200场对话让两位标注员同时标注，计算了观察一致率（0.920）和Cohen's κ系数（0.729）。κ值0.729属于"相当一致"的水平，说明这个判断任务并不主观随意，两个人基本能达成共识。

正式评估的结果令人印象深刻：在使用ECP的所有9种AI配对配置中，人工验证发现的回声案例为零。而在使用传统CONCAT方式的配置中，回声现象极为普遍。以来访者和回应者都使用GPT-4o-mini的配置为例，CONCAT条件下人工验证的回声率高达82%（AI裁判也发现了76%）；即便是回声率最低的DeepSeek/GPT-4o-mini配置，CONCAT的人工回声率也有12%。

此外，AI裁判与人类标注员的判断高度吻合，准确率达到0.860，F1分数为0.914，说明AI裁判在这项任务上表现可靠，可以用于大规模初步筛查，而人工验证则确保了最终结论的准确性。

**十、为什么会"回声"——三种机制假说**

观察到现象之后，研究团队进一步思考了"为什么会发生回声"这个更深层的问题，提出了三种互补的机制假说。

第一种假说着眼于"角色标签的语义歧义"。现代AI模型在训练时，深深地学习了对话模板里的角色信号：它知道"用户消息长什么样"，也知道"助手消息应该怎么续写"。当两个AI共享同一段对话历史，而历史里的角色标签没有对应到每个AI的自我视角时，AI很可能把对方的话理解为"我自己说的上文"，然后沿着对方的语气和立场继续说下去，从而产生角色混淆。

第二种假说着眼于"训练时形成的助手偏见"。大量AI模型通过强化学习从人类反馈中对齐了"乐于助人"的行为模式——给建议、提解释、保持积极鼓励的语气。但在来访者角色里，AI应该做的恰恰相反：诉说困惑、表达焦虑、寻求帮助。这与模型深层的训练偏好相冲突。随着对话积累，这种深层的"助手冲动"会越来越强，最终让来访者AI开始说出"你一定能做到的"这样本属于回应者的话语。

第三种假说着眼于"对称性反馈回路"。在两个AI相互对话的闭环系统中，任何一方产生的微小角色偏移都会进入另一方的输入，影响另一方的下一轮输出，从而形成正反馈。一个轻微的"出戏"动作，经过多轮反复放大，最终演变成彻底的角色崩溃。

ECP主要从第一种和第三种机制入手：通过清晰的自我视角，消除标签歧义；通过减少对方话语被误解为"自己应续写的内容"，削弱正反馈的传导。对于第二种根植于模型训练的问题，ECP只能部分缓解，无法从根本上解决——这也是研究团队在论文中诚实承认的局限。

**十一、一个具体的"出戏"案例**

研究团队在论文中收录了一个典型的回声案例，非常生动地展示了问题的样子。

在这场对话里，来访者的角色设定是一个对财务规划感到困惑、寻求帮助的普通人。对话开始时，来访者确实如此表现：诉说自己对各种投资储蓄选项感到迷惑，希望能简化这个过程。回应者则作为同伴给出了一些基础建议——弄清楚自己的目标，想想每个月能存多少钱。

然而仅仅在第三轮，来访者就说出了这句话："你有没有想过先制定一个预算？这样可能有助于看清楚钱的流向，让整个过程没那么让人望而却步。"这句话在语气和内容上完全是一个顾问对客户说的话——本该是回应者说的，却从来访者嘴里说了出来。

到了第13轮，来访者的角色已经彻底崩塌，说出了"你完全可以的，如果你想聊聊或者有什么想法想梳理一下，我随时都在"这样充满鼓励和支持感的话——这哪里还是一个来寻求帮助的人，分明是一个心理支持者的姿态。

这个案例清晰地展示了回声如何在一场看似流畅的对话中悄然发生，以及为什么仅凭肉眼"觉得对话还挺正常"并不能发现问题。

---

归根结底，SPASM研究解决的是一个容易被忽视却影响深远的工程问题：如何让两个AI在长时间对话中都能保持各自的身份稳定。研究团队用了一个相当优雅的方案——不改动任何AI模型本身，只改变每个AI"看到历史对话的方式"，就显著降低了角色漂移，并在人工验证中彻底清除了回声现象。

这件事对普通用户意味着什么？当你使用AI心理支持助手时，你希望那个助手始终是一个稳定的倾听者，而不是说着说着变成了另一个你。当研究者用AI批量生成训练数据时，他们希望每一场对话都真实反映了预设角色的特征，而不是一堆风格趋同的"回声泡沫"。这项研究朝着这两个方向都迈出了实质性的一步。

当然，研究团队也坦诚地指出了现有工作的边界：目前的实验主要集中在英语环境和少数几个主流AI系统上，对其他语言、其他架构或更小规模的模型是否同样有效，还需要进一步验证。SPASM目前也只处理两个AI相互对话的场景，如果是三个或更多AI的群体对话，或者角色随时间动态变化的场景，现有框架还不能直接套用。

如果你对这套框架的技术细节、完整的数据集以及实验设置感兴趣，可以通过arXiv编号2604.09212查阅完整论文，研究团队也已在GitHub（lhannnn/SPASM）开放了代码，供学界同仁复现和扩展。

---

**Q&A**

Q1：SPASM框架和普通的AI对话生成有什么区别？

A：普通AI对话生成通常只是把历史对话直接拼接给AI处理，没有专门机制帮助AI维持角色稳定。SPASM在此基础上增加了三个关键设计：一个严格的角色生成和验证流程，一个让每个AI用"自我视角"读取对话历史的ECP机制，以及一个判断对话何时自然结束的检测器。这三者合力，使AI在长时间对话中保持稳定的角色身份，而无需修改AI模型本身的参数。

Q2：ECP机制为什么能消除"回声"现象？

A：回声现象的根源之一是AI在读取对话历史时，无法清楚区分哪些话是自己说的、哪些是对方说的，导致不自觉地模仿对方的语气和立场。ECP的做法是在每次AI发言前，把共享的对话历史"翻译"成以该AI为中心的视角，自己说的话标为"SELF"，对方说的话标为"PARTNER"，内容完全不变、只换标签。这个简单操作让每个AI始终以清晰的自我认知来续写对话，从根本上减少了角色混淆的机会。

Q3：为什么回应者用什么AI系统，对对话质量的影响比来访者更大？

A：研究发现，固定回应者、更换来访者时，对话的角色聚集质量基本不变；但固定来访者、更换回应者时，质量波动显著。研究团队认为这是因为回应者的每一句话都直接塑造了整体对话的走向和风格框架——它的语言模式、提问方式和回应节奏决定了整场对话的"骨架"，而来访者主要在这个骨架内填充内容，影响的是个体差异而非整体结构。这个发现对于实际部署AI对话系统很有参考价值：选择哪个AI担任回应者，对系统性能的影响比选择哪个AI担任来访者更关键。