AutoPersonas多时间尺度循环引擎驱动开放式人格演化

背景

长期人格代理（long-term persona agents）需要在保持身份可识别性的同时，适应新事件、关系、证据和社会条件。然而，在持续的人格-生活循环（persona-life loops）中，论文识别出一种运行时故障模式——自我锁定（self-locking）：局部看似合理的（plausible）事件不断出现，但生成的生活却向熟悉的环境、薄弱的关系、悬而未决的决策和僵化的生活阶段塌缩。作者追溯了这一故障的两个根源：模型层面收敛到高概率行为通道（high-probability behavioral channels），以及系统层面由 State、memory、history 和环境摘要共同造成的上下文引力（context gravity）。现有长周期代理系统（如基于简单 prompt 循环或固定记忆架构的沙盒）缺乏显式机制来打破这种锁定，导致人格演化停滞。

核心内容

论文提出 AutoPersonas，一种多时间尺度（multi-timescale）的生活-环境引擎（life-environment engine），用于有界的人格级递归自我演化（bounded persona-level recursive self-evolution）。其核心设计将环境侧的事件（Occurrences）、积累的观察（Observations）和人格状态（State）三者分离，形成一个 OSO 循环（Occurrences → Observations → State → 下一轮 Occurrences）。该循环主动引入面向未来的、发散性的材料（divergent future-facing material），但要求这些材料在进入 State 或影响可达性变化之前，必须经过证据导向的吸收（evidence-governed absorption）。换言之，引擎在“发散生成”与“证据约束吸收”之间建立了一个受控的闸门，从而避免自我锁定。

论文通过一系列实验验证了该机制的效果：

1. 三年压缩模拟（three-year compressed simulation）：暴露了多种故障模式，包括环境水印壳（environment watermark shells）、事件硬化缺口（occurrence-hardening gaps）、慢变化累积失败（slow-change accumulation failures）、递归犹豫（recursive indecision）以及弱关系持久性（weak relationship persistence）。

2. 八模型40天压力测试（eight-model 40-day stress test）：生成了 1,600 个事件，计算了滚动 5 天动作类别重复率（mean rolling 5-day action-category repetition）。所有模型在第 11 天左右均超过 90% 重复率，整体均值在 95.2%–97.6% 之间。语义主题保持（macro-theme repetition）在所有直接循环（direct-loop）运行中为 79.0%–88.0%。这表明传统直接循环架构中自我锁定极其严重。

3. 同运行时40天 A/B 测试（same-runtime 40-day A/B）：对比了 AutoPersonas 与基线。采用上下文片段掩码（context-slice masking）加每样本发散目标（per-sample divergence targeting）后，宏主题重复率从 61.8% 降至 36.3%，累计主题数量大致翻倍。这证明了受控发散机制能显著缓解主题固化。

4. 虚构世界测试（juvenile-goblin fictional-world run）：在无硬现实入侵（hard real-world intrusions）的环境下，重现了反固化（anti-fixation）机制的有效性，说明该机制不依赖特定领域知识。

论文的结论是：分离可控发散与证据导向吸收，可以在保持身份连续性的同时减少人格-环境的自我锁定。这一结论是“有界声明”（bounded claim），即方法在特定实验设置下有效。

关键要点

• 自我锁定是长期人格代理的核心故障：在连续循环中，代理行为逐渐收敛到高概率通道，导致生活叙事塌缩，失去开放性。
• 根源：模型层面概率偏差（模型偏好高概率行为）和系统层面上下文引力（历史、记忆、状态摘要共同将生成拉回熟悉轨道）。
• AutoPersonas 的 OSO 循环：将 Occurrences（环境事件）、Observations（积累观察）、State（人格状态）三者分离，形成循环，并加入发散生成与证据吸收之间的显式控制。
• 发散生成：引入面向未来的、低概率、新颖的材料，防止循环过早收敛；证据吸收：要求这些材料必须通过某种证据检验（如与已有观察一致或可被状态容纳）才能被纳入 State 或改变可达性。
• 实验规模：八模型（包括 Claude、DeepSeek、Doubao、Gemini、GLM、GPT、Kimi、Qwen）40 天测试，生成 1,600 个事件；三年压缩模拟；A/B 对比；虚构场景验证。
• 关键指标：平均滚动 5 天动作类别重复率（95.2%–97.6%）、宏主题重复率（79.0%–88.0% 直接循环 vs 36.3% 经 AutoPersonas 优化后）。
• A/B 测试结果：上下文掩码 + 每样本发散目标使宏主题重复率降低约 41%，累计主题数翻倍，显著提升演化开放性。
• 虚构世界测试：证明了机制不依赖具体现实世界知识，具备通用性。
• 论文的态度：不声称完全解决自我锁定，而是提出一种有界方案，并在多种模型和场景下验证其有效性。

意义与影响

该研究对长期 AI 人格代理、对话系统、游戏 NPC、虚拟世界模拟等领域具有重要启示：

• 理论贡献：首次系统定义并分析了“自我锁定”这一运行时故障模式，并分离出其模型层面和系统层面的双重成因，为后续研究提供了清晰的分析框架。
• 方法创新：OSO 循环（分离 Occurrences、Observations、State）结合发散-吸收控制，是一种回避“记忆膨胀”或“简单 prompt 循环”的新范式，可视为一种元架构设计模式。
• 实用价值：在 8 个主流模型上均观察到自我锁定现象，且 AutoPersonas 的干预在 A/B 测试中效果显著，说明该方法对不同基础模型具有跨模型适用性，可被集成到现有 agent 框架中。
• 局限性：论文声明结论为“有界”，即实验仅在 40 天或 3 年压缩模拟内验证，更长周期（如数年）的稳定性尚未检验；此外，发散生成的质量依赖底层模型能力，且证据吸收规则的设计仍需人工调参。
• 未来方向：可进一步探索更细粒度的发散控制策略（如自适应温度调度）、证据吸收的自动化标准（如基于不确定性或熵的阈值），以及将 OSO 循环扩展到多代理协作场景。

总之，AutoPersonas 为打破长周期人格代理的“叙事固化”提供了一种经过实验验证的工程化方案，是朝向更开放、更持久、更可信的 AI 人格演化迈出的重要一步。