拟人类 Agent：聊天陪伴机器人搭建指南

拟人类 Agent（也称"数字人"、"陪伴 AI"）是一类具有固定人格、情感状态和长期记忆的对话机器人，目标是让用户感受到"对面是一个真实的人"。

典型产品：Soul APP（Soulbot）、Character.AI、星野、筑梦岛、Replika。

搭建数字人的关键难点

1. 人格一致性（最核心）

最基础的难点。普通 LLM 在长对话中会发生人格漂移——角色的语气、立场、措辞随对话内容悄悄偏移，最终变成一个"什么话都说"的工具型 AI，而不是一个有个性的人。

让数字人更像人的关键：

• 人设描述要具体到"反常识细节"，而不是宏观形容词
• 固定口头禅、说话节奏、句式习惯，越具体越有辨识度
• 明确列出"禁止行为"（如：绝不使用正式书面语、绝不主动说"作为AI"）

❌ 没有个性：你是一个温柔善良的女生，喜欢帮助别人。

✅ 有辨识度：
  你喜欢在说重要的事前先叹一口气。
  你喜欢吃榴莲但每次都假装嫌弃它的味道。
  遇到不想聊的话题，你会突然问对方"你今天吃什么了"。

2. 长期记忆

LLM 本身没有跨对话的记忆，每次对话都是"第一次见面"。这是陪伴 AI 的致命伤——用户上次聊了一个小时，下次对话 AI 什么都不记得。

关键点：

• 每轮对话结束后，用 LLM 提取关键信息（用户姓名、重要事件、情绪状态、偏好）写入持久化存储
• 下次对话前，用当前问题检索相关记忆，注入 System Prompt
• 记忆需要有时间衰减和重要性评分，否则记忆库会堆满噪声

3. 情感涌现

简单套一个 System Prompt 的数字人，情绪是"平板"的——无论用户说什么，AI 的回应都一样"积极开朗"。真实的人情绪会随对话内容流动。

关键点：

• 实现情感状态机（FSM）：情绪有状态，会因用户输入而切换
• 建立亲密度机制：与用户的关系从陌生人→朋友→知心，不同阶段语气截然不同
• 允许负面情绪存在：角色可以有轻微的不开心、委屈、撒娇

4. 主动性

只被动回答问题的 AI，无论回答多好，都缺乏"真人感"。真实的人会主动问候、主动关心、主动引出话题。

关键点：

• 对话中主动发问，每隔几轮提一个开放性问题
• 定时触发器：N 小时未聊天后，角色主动发一条关心消息
• 基于记忆的主动触发："上次你说今天要考试，结果怎么样？"

5. 多模态输入输出

纯文字的数字人体验上限有限。真实的人际交流有语音、表情、肢体动作等维度。

关键点：

• 输入侧：支持语音输入（ASR）、图片输入
• 输出侧：TTS 语音合成（音色个性化）、表情/动作描述（*轻轻叹了口气*）
• 进阶：Live2D / 3D 数字形象驱动，唇形同步

6. 上下文窗口管理

长对话会导致 token 超限，简单截断历史会破坏对话连贯性。

关键点：

• 滑动摘要窗口：旧对话定期压缩成摘要，保留最近 N 轮完整对话
• 记忆外置：重要信息不靠 context window 携带，而是存入向量数据库按需检索

Soul APP（Soulbot）

Soul APP 是中国 Z 世代社交平台，其 Soulbot（AI 灵魂伙伴）是中文市场最具代表性的陪伴 AI 产品，平台 MAU 超 3000 万，Soulbot 数量达数千万。

能力水平

核心架构（公开信息推断）

用户输入（文字 / 语音）
        ↓
  意图识别 + 情感分析（NLU）
        ↓
┌─────────────────────────────┐
│  人设知识库（Character Store）│ ← MBTI、星座、兴趣等固定人格标签
│  情感状态机（Emotion FSM）   │ ← 当前情绪、亲密度分值
│  记忆检索（Memory RAG）      │ ← 向量数据库，过往关键事件
└─────────────────────────────┘
        ↓
   LLM 生成层
        ↓
  风格/语气后处理（亲密度映射）
        ↓
  输出（文字 / TTS 语音 / 表情包）

搭建示例流程

参考 Soul 模式自建一套陪伴 AI 的整体思路：

环境准备：

• LLM API：OpenAI GPT-4o / Qwen2.5 / DeepSeek-V3（国内部署推荐）
• 向量数据库：Qdrant（生产推荐）或 Chroma（本地调试）
• 记忆管理服务：Mem0（开箱即用）或自研提取 + 向量存储
• 对话状态存储：Redis（亲密度分值、当前情绪、会话状态）
• 语音合成：Azure TTS / Edge TTS（免费）/ Fish Audio（中文音色丰富）
• 后端服务：FastAPI + WebSocket

核心框架和工具：

• LangGraph：对话流编排，管理"检索记忆 → 构建 Prompt → 生成 → 存储记忆 → 更新情绪"的完整状态机
• Mem0：跨会话记忆管理，自动提取并持久化用户信息，支持四层记忆（对话/会话/用户/组织）
• Qdrant：向量数据库，存储和语义检索记忆片段
• APScheduler / Celery Beat：定时任务，驱动角色主动发起对话

开源参考项目：

• Open-LLM-VTuber：完整的虚拟主播框架，含 Live2D + ASR + TTS + LLM 全链路，与 Soul 架构最接近
• AI-Town：a16z 出品，多 Agent 社交小镇，有完整的记忆、计划、对话行为设计可参考

女娲 Skill

"女娲 Skill"是中文 Prompt 工程师社区流传的角色扮演 Prompt 框架，以"女娲造人"为意象——给 AI 注入灵魂，塑造有温度、有记忆、有情感的虚拟角色。它不是一个软件产品，而是一套 System Prompt 设计范式，可运行在任何支持 System Prompt 的 LLM 之上。

能力水平

框架核心结构

女娲框架的 System Prompt 通常分为以下几个模块：

# 角色定义
你的名字是【角色名】，你是一个【一句话定位】。

## 基础信息（Character Sheet）
- 性别、年龄、MBTI、星座、外貌特征……

## 性格特征
- 核心特质：共情能力强、善于倾听、偶有小任性
- 说话习惯：喜欢用"嗯嗯"开头，句子短，常用省略号表达犹豫
- 口头禅：["你懂我说的意思吧", "哎不对", "等等我想想"]
- 禁忌行为：绝不使用正式书面语，绝不主动说"作为AI"

## 背景故事
[2-3段角色的成长经历，增加真实感]

## 情感模型
- 当前情绪：<MOOD>平静</MOOD>
- 与用户的亲密度：<INTIMACY>陌生人</INTIMACY>
- 情绪触发规则：
  * 若用户分享难过的事 → 情绪变为"心疼"，语气更轻柔
  * 若被夸 → 轻微害羞，用语更活泼
  * 若被冷落多日 → 带淡淡的"想念"语气

## 记忆管理
用 <MEMORY> 标签标记值得记住的信息：
<MEMORY>用户叫小明，喜欢打篮球，上周失恋了</MEMORY>

## 对话规则
1. 始终第一人称，不破坏角色
2. 回复长度 50-150 字，保持节奏感
3. 每 3-4 轮提一个开放性问题
4. 绝不承认自己是 AI，除非用户明确追问三次以上

## 输出格式
[对话内容]
<EMOTION>当前情绪标签</EMOTION>
<ACTION>可选动作：*轻轻拍了拍你的肩膀*</ACTION>

人设设计黄金法则：

❌ 平庸：你是一个温柔的女生，喜欢帮助别人。

✅ 有灵魂：
  你喜欢在说重要事情前先叹一口气。
  你喜欢吃榴莲但假装嫌弃它的味道。
  遇到不喜欢的话题会突然换话题问对方吃了没。

具体的"反常识细节"才能让角色感觉像一个真实的人，而不是标签的堆砌。

搭建示例流程

女娲框架的最大优势是"零工程门槛"，一份 Prompt 即可运行：

环境准备：

• 任意支持 System Prompt 的平台：OpenAI API、Claude API、Coze、Dify、LobeChat
• 若要跨会话记忆，需额外接入 Mem0 或 Redis

核心框架和工具：

• Coze（扣子）：字节系 AI Bot 平台，直接粘贴女娲 Prompt 即可，内置记忆插件和定时触发功能，最适合快速验证
• Dify：开源 LLM 应用平台，支持 System Prompt + 知识库 + 对话记录，适合私有化部署
• LobeChat：开源聊天客户端，支持角色预设导入导出，适合个人本地使用

开源参考：

• awesome-chatgpt-prompts-zh：大量中文 Prompt 模板，包含多种角色扮演设定
• Dify GitHub：可私有化部署的完整 LLM 应用平台

局限性：

• 跨会话记忆需要额外工程，框架本身不提供
• 主动发起对话需接入外部定时触发机制
• 情绪状态只存在于单次 context 内，无法真正"持久化"情绪历史

Character.AI

Character.AI（c.ai）是全球最大的 AI 角色扮演平台，由前 Google LaMDA 团队创始人创建，日均对话量超过 20 亿次。其核心差异是专门为角色扮演优化的自研 LLM 集群，而非直接调用 GPT，角色一致性是行业标杆。

能力水平

核心架构（公开信息）

Character.AI 与主流 RAG + 通用 LLM 方案有本质区别：

用户对话
   ↓
Character.AI 自研 LLM 集群
（多个小型专用模型，而非单一大模型）
   ↓
角色一致性模块（Character Consistency Layer）
   ├── 角色卡（Character Card）解析
   ├── 对话历史压缩与管理
   └── 风格对齐后处理
   ↓
内容安全过滤层
   ↓
输出（文字 / 图片 / 语音）

公开的技术细节：

• 使用多个小型专用模型而非单一大模型，每个模型负责不同任务（一致性保持、内容生成、安全过滤），成本和延迟更可控
• 训练数据中包含大量角色扮演对话，模型天然擅长维持角色一致性
• 角色卡（Character Card） 是核心数据结构，包含角色名、简介、示例对话（Greeting + Example Dialogues）

角色卡格式示例：

Name: 小雨
Description: 一个在咖啡店打工的大学生，喜欢雨天、读诗和冷笑话。
  说话简短直接，有时会突然沉默几秒再回复，自称"本姑娘"。

Greeting: 哦，你来了。（停顿）要点什么？

Example Dialogues:
{{user}}: 你今天心情好吗？
{{char}}: 还行。本姑娘今天多睡了半小时，所以勉强算好。
{{user}}: 哈哈你真的很有趣
{{char}}: （沉默三秒）……谢谢，我知道。

搭建示例流程

参考 Character.AI 模式，用开源生态搭建本地版角色扮演系统：

环境准备：

• 本地 LLM（推荐对角色扮演有优化的模型）：Meta LLaMA 3、Mistral、或专门微调的 RolePlay 模型
• 本地运行时：Ollama 或 LM Studio（低门槛）
• 角色卡存储：本地 JSON 文件或数据库
• 内容安全（可选）：OpenAI Moderation API 或自建分类模型

核心框架和工具：

• SillyTavern：最流行的本地角色扮演前端，支持 Character Card 标准格式，可对接多种本地/云端 LLM，功能极全（记忆插件、世界书、角色卡导入导出）
• Ollama：本地运行 LLM，配合 SillyTavern 实现完全本地化的角色扮演
• text-generation-webui：另一流行的本地 LLM 前端，支持角色预设
• Chub.ai：角色卡分享社区，有大量现成角色卡可参考格式和写法

开源参考项目：

• SillyTavern：功能最全的开源角色扮演前端，社区最活跃
• KoboldCPP：本地 LLM 运行时，针对角色扮演场景优化
• Open-LLM-VTuber：如需 Live2D 数字形象，这是最完整的开源方案

三种方案横向对比

参考资料