拟人化自动发言 Agent 架构理解

1. 项目目标

目标不是构造一个一问一答的聊天机器人，而是构造一个会在真实聊天流中自动出现、沉默、插话、连发、跳话题的拟人化 agent。

传统聊天机器人逻辑是：

用户输入 -> 模型回复

本项目需要的是：

消息流 + 时间流 + agent 内部状态 -> 是否发言 -> 何时发言 -> 发几条 -> 每条说什么

因此，agent 的输出不一定是回复，也可能是沉默。沉默本身就是拟人化行为的一部分。

2. 核心判断

拟人化能力不能全部依赖模型内在能力，尤其不能指望小模型仅靠微调学会完整的人类聊天行为。

合理分工是：

外部 Agent / 统计行为模型：控制什么时候说、说几条、沉默多久
LoRA 内容模型：控制这一条消息具体怎么说
RAG / 记忆系统：提供历史场景和相关记忆

也就是说：

行为节奏靠 Agent
语言风格靠 LoRA
历史记忆靠 RAG

模型可以学习局部表达风格，但不适合作为第一版的全权行为调度器。

3. 数据建模原则

最小单位必须是单条消息，而不是一轮回复。

真实聊天不是严格的一问一答，两个人可能随机离散发言，也可能各说各的。不能假设一条消息天然是在回复上一条消息。

因此，初级数据结构应保持原子消息：

{
  "msg_id": 12345,
  "platform": "platform_a",
  "time": "2024-01-01 12:00:00",
  "sender": "target",
  "type": "text",
  "text": "...",
  "gap_prev_sec": 8,
  "gap_next_sec": 42
}

所有会话切分都只判断相邻两条消息之间是否应该断开：

message_i | message_i+1

不做以下假设：

用户消息 -> 目标人格回复
连续同一发送者消息 -> 必须合并
两个平台消息 -> 天然属于同一条时间线

4. 会话断点策略

第一层使用时间断点，按平台分别处理，不跨平台混合。

推荐断点层级：

gap > 60min：强断点
gap > 30min：候选断点
gap > 15min：弱候选断点

第一步先用 60 分钟切出高置信自然大段。随后在大段内部标记 30 分钟和 15 分钟候选断点。

后续再借助 LLM 判断候选断点附近是否发生了自然聊天场景切换。

LLM 不应判断“谁回复谁”，只判断：

这两条相邻消息之间，是否像一个聊天场景的结束与另一个聊天场景的开始。

推荐给 LLM 的上下文形式：

左侧若干条消息
---
候选断点：间隔 N 分钟
---
右侧若干条消息

输出结构：

{
  "is_boundary": true,
  "confidence": 0.82,
  "reason": "前后话题和聊天场景明显变化"
}

5. 行为调度模型

agent 运行时不应该每次收到用户消息就回复。用户消息只是事件，不是命令。

事件来源包括：

用户发出一条消息
用户连续发出多条消息
当前会话已经沉默一段时间
当前话题与目标人格高兴趣主题相关
agent 刚刚发过一条消息
当前处于连续发言状态
当前处于低活跃时间段
RAG 检索到相似历史场景

调度器周期性计算发言概率：

speak_score =
  话题兴趣
+ 是否被明显 cue 到
+ 当前聊天热度
+ 目标人格自身表达冲动
+ 随机扰动
- 冷却时间
- 离线/低活跃状态

超过阈值或抽样命中后，agent 才发言。否则保持沉默。

6. 输出不是回复，而是事件序列

agent 每次决策的输出可以是空，也可以是一组带延迟的原子消息：

[]

表示沉默。

[
  {"delay_sec": 18, "text": "确实"},
  {"delay_sec": 6, "text": "这波有点离谱"},
  {"delay_sec": 42, "text": "不过也正常"}
]

表示延迟后连续发出多条消息。

因此运行时结构应是：

Message Stream
  ↓
Session State
  ↓
Behavior Scheduler
  ↓
是否发言
  ↓
LoRA Generator
  ↓
Single Message
  ↓
Burst Controller
  ↓
是否继续发下一条

7. LoRA 训练策略

不建议把多年数据按年份顺序覆盖式继续训练成一个 LoRA：

year_1 -> year_2 -> year_3 -> year_4

这种方式容易导致后面的年份覆盖前面的年份，产生灾难性遗忘。最终 adapter 更像近期数据，而不是稳定人格。

更推荐将 LoRA 组件化：

base model
  + global_lora
  + recent_lora

其中：

global_lora：使用全部数据或均衡采样数据，学习长期稳定语言风格
recent_lora：使用最近半年到两年的数据，学习近期话题和当前表达状态

推理时可用不同 scale 混合：

global_lora scale = 0.6 ~ 0.8
recent_lora scale = 0.2 ~ 0.5

如果需要研究时间变化，可以单独训练年度 LoRA：

lora_year_1
lora_year_2
lora_year_3
lora_year_4

但年度 LoRA 更适合分析和对比，不建议作为第一版主路径。

8. 训练样本构造方向

LoRA 内容训练不应构造成传统问答对，而应构造成：

最近 N 条原子消息 + 时间间隔信息 -> 目标人格下一条原子消息

对每一条目标人格真实发出的消息，可构造一个正样本：

context = 这条消息之前的若干条消息
target = 目标人格这一条消息

注意 target 仍然是单条消息，不合并连续消息。

行为调度器则从全量消息流中统计：

目标人格在他人发言后多久出现
目标人格发一条后继续发下一条的概率
连续发言长度分布
不同时间段活跃概率
session 开始后活跃度变化
沉默多久后基本视为自然结束
哪些话题提高发言概率

9. 推荐阶段路线

第一阶段：

按平台保留原子消息
计算 gap_prev / gap_next
60min 强切自然 session
30/15min 标记候选断点
统计基础行为分布

第二阶段：

用 LLM 辅助判断候选断点
生成最终自然 message segment
构造 LoRA 内容样本
构造行为统计样本

第三阶段：

训练 global_lora
训练 recent_lora
实现 Behavior Scheduler
实现单条消息生成
实现连续发言控制

第四阶段：

加入 RAG 记忆
加入话题兴趣判断
加入长期状态和短期情绪
调试发言频率、沉默概率和连发概率

10. 最终系统形态

最终系统应类似一个常驻在线人格进程：

监听消息流
维护 session 状态
维护短期上下文
维护长期记忆
周期性 tick
统计调度器决定是否发言
LoRA 生成单条消息
burst controller 决定是否继续发
必要时调用 RAG 或工具

这不是一个被动回答器，而是一个由统计行为模型驱动、由 LoRA 表达风格、由 RAG 提供记忆的拟人化自动发言 agent。