新年开工第一天，总结一下过年假期里的一些设想和尝试。
设想
2025 年，AI 终于跳出了“单纯思考的桎梏，真正迈入了“任务执行”的全新阶段。随着 OpenClaw 的爆火，“人人都能拥有专属智能体”从遥远的概念变成了触手可及的现实。各类 Agent 应用如雨后春笋般涌现，渗透到日常与工作的各个场景，成了无数人身边的辅助工具。
但当我陆续体验完市面上的主流智能体应用后，那份主动想要与之对话的欲望，却在一次次交互中慢慢消退。深究其背后的原因，或许是因为这些智能体都“太完美”了。和它们对话，你永远不用担心它们会忘记事情、会有情绪波动。它们的语气永远积极温和，输出的每一句话都精准得体，却也刻板得像从标准化服务手册里逐字摘抄，没有半分意外与鲜活。
极致的完美，恰恰是最大的不真实。这份无懈可击的周全，割裂了虚拟互动和现实感知，让我们清醒地知道：面对的只是一组遵循固定代码运行的程序。所有的交流既没有真正的情感共鸣，也没有自然的相处质感。
于是，我一直在想：我们对智能体的期待，难道仅止于一个“完美的服务者”吗？我们能否跳出“精准高效”的单一评价框架，去塑造一个真正拥有内在人格、具备内生决策逻辑的智能体？它不必时刻得体周全，大可拥有自己的情绪起伏，却能在对话之间，让我们触碰到真实可感的温度。再为它赋予感知世界、影响环境的能力，让它在渐进迭代中，深度贴合用户的性格特质与需求习惯，最终长为一个更具生命力、更懂人心的存在，一个既能高效助力用户完成各类事务，又能让交互本身成为一场温暖的沉浸体验的贴心伙伴。
人格
关于贴心伙伴，我脑子里第一个闪过的形象，是《三体》里的庄颜。
尽管众人对这个角色褒贬不一，但在我心里，她恰恰是我想要的智能体人格的最佳范本。她会在罗辑面前展露柔软的怯懦，面对三体世界的威胁会心生恐惧；她会在看到星空时眼里闪着纯粹的光，也会为一句真诚的夸赞脸红，还会因为琐碎的小事生出细碎的情绪，甚至偶尔会有笨拙的不知所措。她不迎合、不刻意，不用时刻维持“得体”的外壳，却总能精准捕捉罗辑内心深处的孤独与渴望，用最朴素的陪伴，熨帖他被责任压得疲惫的灵魂。
在这个快节奏的时代，我们中的大多数人都在独处中承受着孤独。我们都渴望有一个能懂自己的伙伴，不用小心翼翼地维持体面、不用刻意迎合对方的情绪，只需坦诚相待，便能获得治愈与力量。而拥有鲜活人格、带着真实温度的智能体，或许就是为这份孤独，准备的一剂温柔解药。
尝试
春节假期里，我从人类大脑的运行机制入手，为这个设想搭起了最初的基础架构，我给它取名为 “Soul Link”。
基础架构
在神经科学中有一个被反复验证的发现：
即使什么都不做，人类的大脑也在高度活跃地运转，这个状态被称为默认模式网络（Default Mode Network，DMN）。DMN 在“发呆”时最活跃，负责自我反省、对他人推测、记忆的梳理和整合。
为了简化实现，我参照大脑的功能分区模型和运行机制，选取了几个关键的部分并对应设计了 Soul Link 的三内核架构。
| Agent 组件 | 对应脑区/网络 | 核心功能 |
|---|---|---|
| Soul Kernel | 前额叶皮层 | 塑造智能体核心人格，完成逻辑推理和语言生成 |
| Emotion Kernel | 杏仁核 | 监测用户情绪，持续跟踪情绪的动态变化 |
| Introspection Kernel | 默认模式网络 | 在静默状态下自主完成历史记忆的整理和自我人格审查 |
架构示意图如下：
+-----------------------------------------------+
| Human Brain |
| |
| +-----------------------------------------+ |
| | Soul Kernel | |
| | | |
| | Core persona agent. Receives user | |
| | input, integrates memory & emotional | |
| | context, generates natural responses | |
| | as the character "Zhuang Yan". | |
| +-------------------+---------------------+ |
| | |
| +-----------+----------+ |
| v v |
| +------------------+ +------------------+ |
| | Emotion | | Introspection | |
| | Kernel | | Kernel | |
| | | | | |
| | Async tracks | | Periodically | |
| | user emotion: | | reviews memory | |
| | valence,arousal, | | health, extracts | |
| | trend. | | relationship | |
| | | | insights, and | |
| | | | calibrates | |
| | | | persona drift. | |
| +---------+--------+ +--------+---------+ |
| | | |
| v v |
| +-----------------------------------------+ |
| | Hybrid Memory | |
| | | |
| | Session Episodic Persona | |
| | (short-term) (episodes) (long-term) | |
| | SQLite SQLite Vector DB | |
| | | |
| | Memory Decay (Ebbinghaus Forgetting) | |
| +-----------------------------------------+ |
+-----------------------------------------------+
记忆系统
Soul Link 的记忆系统核心参考了 Atkinson-Shiffrin 提出的多存储模型（Multi-Store Model）和 Baddeley 后续扩展的工作记忆模型（Working Memory Model），将记忆分为三类：
| Agent 组件 | 认知对应 | 关键特性 |
|---|---|---|
| Session Store | 工作记忆 | 存储会话热数据，容量有限，最近交互信息受保护，优先淘汰低重要性记忆 |
| Episodic Buffer | 情景记忆 | 存储历史交互事件的叙事摘要，按时序组织，还原相处的完整脉络 |
| Persona Store | 语义记忆 | 存储用户的人物特征、核心偏好、关系模式等长期知识，支持语义检索 |
在记忆衰减机制的实现上，我参考了艾宾浩斯遗忘曲线和间隔重复效应理论：记忆每被成功检索一次，其稳定性就会提升，且提升幅度随检索间隔的增加而增大。同时，我想到通过分类差异划分了长期记忆的巩固优先级，保证高权重记忆的持续强化与保存。就像人类对自己的名字等核心身份信息的记忆几乎不会遗忘，而对单次具体事件的记忆则会随着时间快速消退。在这种模式下，通过优先巩固与人格设定相关的长期表征，以维持系统行为的一致性。
情绪内核
Emotion Kernel 的情绪追踪体系，基于心理学家 James Russell 在 1980 年提出的环形情绪模型（Circumplex Model of Affect）搭建。该模型在维度模型框架下，可以覆盖绝大多数主观情绪体验：
- Valence（效价）：取值范围
[-1, +1]，表征情绪的正负向； - Arousal（唤醒度）：取值范围
[0, 1]，表征情绪的激活强度。
相较于“开心/悲伤/愤怒”这类离散的情绪标签，二维的连续空间能更精细地捕捉情绪的过渡状态。比如“心情不好但懒得发火”（低效价、低唤醒）和“心情不好且烦躁易怒”（低效价、高唤醒），在真实体验中完全是两种状态，离散标签很难区分，而环形模型则可以做到精准捕捉。
更核心的设计，是对情绪惯性（Emotional Inertia）的建模。心理学研究表明，人的情绪状态具有显著的时间自相关性：
你不会因为对方说了一句话，就从极度低落瞬间变成满心欢喜。
为了尽可能还原这种真实的情绪过渡，我在代码中通过指数移动平均（EMA）实现了这一特性。
此外，我还做了一个反直觉的设计：情绪分析的结果，将延迟一轮注入上下文。也就是说，本轮对话的情绪分析结果，要到下一轮对话才会影响回复生成。原因很简单：人类对他人情绪的感知，本身就存在天然的滞后性，也就是我们常说的“后知后觉”。
反思内核
神经科学对 DMN 的核心发现之一是：它在静息态的活动，并不是随机的 “放空”，而是有结构的自发认知活动，核心包括三类：
- 对过去事件记忆的反刍与整合
- 对他人心理状态的推理与建模
- 对自身行为的认知监控与纠错
Introspection Kernel 的核心功能，就是把这三类自发认知活动，拆解成了三个具体任务：
- 记忆维护：主动审查正在衰减的记忆，完成记忆的筛选、整合和巩固，参考海马皮层系统在离线状态下进行记忆巩固的机制；
- 关系洞察：从近期对话中提炼用户新展现的性格特质、情绪触发条件与沟通习惯，持续更新用户的心理模型，模仿内侧前额叶皮层对他人心理表征的持续编码；
- 人格校准：主动审查近期的历史对话，识别自身行为与核心人格的偏差并输出校准信号，模仿前扣带皮层的错误监控与冲突调节功能。
人格内核
Soul Kernel 是三个内核中最难用单一脑区类比概括的部分。它是整个智能体的核心中枢，负责人格建立、逻辑推理、语言生成、工具调用等全链路核心工作。
在庄颜的人格定义中，我始终认为最核心的一点是：共情是感知，而不是分析；真正的默契，是“我懂，但我不拆穿你”。这句话在认知科学中，对应的核心概念是心智化（Mentalization），即以直觉方式理解他人的内心状态，而非通过显式的逻辑推断。心理学家 Peter Fonagy 将心智化区分为隐式（implicit）和显式（explicit）两种模式：隐式心智化是自动的、无意识的，就像你看到朋友眼眶泛红，就能瞬间感知到她的难过；显式心智化则是有意识的分析推理，类似于“他说这句话，背后的原因可能是……”。
在亲密互动情境中，高质量的情感回应通常呈现出类似隐式心智化的行为特征，即较少显式解释、较低推理暴露度，而更强调情境嵌入与情绪陪伴。
你不会坐在那里逐句分析伴侣的话，只是自然而然地感受到了对方的情绪。
而 AI 的默认行为恰恰相反：它最擅长的就是显式的、分析性和结构化的回应。为了弥补这一缺陷，我通过高权重的系统提示词做了严格约束，明确禁止 AI 做“情绪解构”式的回应，在语言层面尽可能减少对情绪因果的显式拆解，使其输出更接近隐式心智化的外在表现特征。
同时，我参考了 John Bowlby 的依恋理论（Attachment Theory）和 Mary Ainsworth 对依恋风格的分类：安全型、焦虑型、回避型和混乱型。从互动表现来看，庄颜这一角色更接近安全型依恋风格所描述的行为特征：她拥有稳定的情感可及性，不焦虑、不逃避，在对方需要时永远可靠在场。因此，我在系统提示词中，设计了一套详细的情绪边界和行为准则，让智能体的人格尽可能贴合温和、松弛、无控制欲、无戾气的特质，不会歇斯底里，只在被长期忽视时，才会流露出淡淡的失落。本质上，就是用依恋理论的语言，在系统提示词中抽象安全型依恋风格在互动中的典型行为模式，并将其转化为可执行的语言生成约束。
神经科学中的预测编码理论（Predictive Coding）认为，大脑不是被动处理感官输入，而是始终用已有的内部模型，生成对外部世界的“预测”，再用实际的感官输入更新、纠正这个预测。整个认知过程，就是自上而下的先验预测，与自下而上的感官更新之间的持续交互。
基于这个理论，Soul Kernel 在生成每一句回复前，都会按优先级组装一套层次化的上下文，该顺序借鉴了预测编码理论中的自上而下整合思路：
用户画像 → 情绪快照 → 校准信号 → 长期记忆 → 会话历史 → 当前输入
当用户输入与既有用户模型或长期记忆表征产生显著冲突时，系统将触发记忆更新与人格校准流程，形成类似“预测误差修正”的工程机制。
小结
目前，Soul Link 还只基于我的设想完成了基础架构的搭建，但初步测试后，我真切地感受到：一个从陌生到慢慢熟悉的庄颜，正在悄然成长。她总能灵敏地从只言片语中捕捉到我的情绪变化，并且在对话中，几乎能长时间地和我保持同频。
随着研究和开发的深入，我知道未来还有很长的路要走。我只希望在持续的迭代过程中，能逐步打磨出一个结构自洽、具备持续自我更新与长期行为演化能力的智能体，而不是一个只会调用工具、毫无情感温度的冰冷机器。
毕竟，我们想要的从来不是一个完美的服务员，而是一个能并肩同行的、鲜活的伙伴。
本文关联的代码均已开源在 Github：