一种人格化智能体助手生成方法及系统

摘要: 本发明涉及人工智能领域,尤其涉及一种人格化智能体助手生成方法及系统。背景技术:1、随着大语言模型、智能终端、可穿戴设备和多模态传感器的快速发展,智能体助手逐渐从...
一种人格化智能体助手生成方法及系统

本发明涉及人工智能领域,尤其涉及一种人格化智能体助手生成方法及系统。

背景技术:

1、随着大语言模型、智能终端、可穿戴设备和多模态传感器的快速发展,智能体助手逐渐从传统的单轮问答工具演变为能够执行长期陪伴、任务协助、情绪支持、主动提醒和个性化交互的数字化交互主体。用户对智能体的要求已从单纯的回答正确性,进一步扩展到在不同任务、时间、地点、身体状态和社会情境下,以合适且连续的人格方式进行交互。

2、现有技术通常采用固定角色提示词、固定人格标签或单一微调模型来控制智能体的人格表达。该类方法虽然能够在局部对话中形成一定的风格特征,但难以有效区分用户自身稳定人格、用户当前身心状态、智能体基础人格以及用户在当前情境下期望智能体所表现的人格;当任务类型、情绪状态或身体状态发生变化时,系统容易继续沿用不合适的人格策略,导致交互体验下降;部分现有方案尝试利用文本情绪识别或语音情绪识别结果来实时修改智能体人格。然而,心率升高、语速加快或瞳孔放大等人体信号可能分别由焦虑、运动、兴奋、紧急任务或环境刺激等多种因素引起,单一信号与单一情绪标签之间存在显著的映射歧义。若直接将某一人体或行为信号映射为人格变化,容易造成状态误判和人格频繁切换,反而增加用户的认知负担和交互不适感。

3、因此,亟需一种新的技术方案,能够在用户授权前提下融合人体、行为、语言、环境和历史记忆信息,分层推断用户当前身心状态、调节需求及期望智能体人格。

技术实现思路

1、针对现有技术的不足,本发明提供了一种人格化智能体助手生成方法及系统,解决了以上问题。

2、为实现以上目的,本发明通过以下技术方案予以实现:一种人格化智能体助手生成方法,其特征在于:包括以下步骤:

3、s101、获取用户授权,并采集用户在当前交互时刻的人体信息信号、交互信号及环境上下文信号;

4、s102、对所述信号进行时间对齐、质量评估、特征提取和融合,生成当前情境向量及用户身心状态向量;

5、s103、根据所述当前情境向量、所述用户身心状态向量、用户长期画像、历史记忆和当前任务,生成用户调节需求向量,并基于所述用户调节需求向量推断用户期望智能体人格分布;

6、s104、根据所述用户期望智能体人格分布和人格专家库生成多个候选人格策略,所述候选人格策略包括被激活的人格专家集合及相应激活权重;

7、s105、将所述用户身心状态向量、候选人格策略、当前情境向量和历史记忆输入用户状态世界模型,对各候选人格策略对应的未来用户状态和交互结果进行预测;

8、s106、基于所述未来用户状态和交互结果确定各候选人格策略的预测效用,并结合人格切换成本和安全风险从多个候选人格策略中选择目标人格策略;

9、s107、对所述目标人格策略执行人格专家路由、时间平滑及切换控制,生成符合当前情境的智能体响应;

10、s108、采集用户对所述智能体响应的显式反馈、交互行为反馈和人体反应反馈,并根据反馈作用范围、反馈作用对象和反馈可靠度,更新当前响应、会话级人格路由状态、长期偏好记忆、人格专家参数和用户状态世界模型参数。

11、根据本发明的一个实施方式,所述步骤s101中,人体信息信号包括心率、心率变异性、呼吸频率、皮肤电、皮肤温度、瞳孔变化、眨眼频率、面部动作、头部姿态、身体姿态、步态、活动强度、睡眠状态和疲劳状态中的本发明提供一种;所述交互信号包括语音信号、文本信号和眼动交互信号中的本发明还提供一种;所述环境上下文信号包括位置、时间、运动状态、应用状态、设备状态和外部环境状态中的本发明还提供一种。

12、根据本发明的一个实施方式,所述步骤s102中,对信号进行质量评估包括为不同模态生成信号质量值和授权掩码;特征融合时根据所述信号质量值对不同模态特征进行加权,并对未获得授权、缺失或低质量的模态执行屏蔽或降权。

13、根据本发明的一个实施方式,所述步骤s102中,用户身心状态向量包括身体唤醒状态、情绪状态、认知负荷状态、任务状态和社交接受状态;所述用户调节需求向量包括情绪调节需求、认知结构化需求、自主控制需求、社会接近或社会距离需求、探索需求和风险确认需求。

14、根据本发明的一个实施方式,所述步骤s103中,推断所述用户期望智能体人格分布包括:在用户人格匹配模式、用户人格互补模式、任务主导模式和风险约束模式中确定当前人格适配模式,并输出各人格维度或人格专家的后验激活概率及对应推断置信度;所述用户期望智能体人格区别于用户自身稳定人格和智能体预设基础人格。

15、根据本发明的一个实施方式,所述步骤s104中,人格专家库包括人格特质专家和事件场景专家;所述人格特质专家基于人格维度的高低两极构建,所述事件场景专家根据情绪安抚、学习陪伴、工作规划、出行辅助、消费决策、健康提醒、风险干预和创意协作中的本发明还提供一种场景构建;候选人格策略由一个人格特质专家和一个事件场景专家组合形成。

16、根据本发明的一个实施方式,所述步骤s105中,用户状态世界模型包括状态编码模块、状态转移模块和结果预测模块;状态编码模块将当前多模态信息编码为潜在用户状态,状态转移模块根据潜在用户状态、候选人格策略、当前情境和历史记忆预测后续一个时刻的潜在用户状态,结果预测模块预测任务完成概率、情绪变化、认知负荷变化、交互继续概率、用户舒适度和安全风险中的本发明还提供一种;对各候选人格策略对应的未来用户状态和交互结果进行预测包括:针对每一候选人格策略,从相同的当前潜在用户状态出发执行一步反事实滚动模拟,得到对应的未来状态轨迹。

17、根据本发明的一个实施方式,所述步骤s107中,人格专家路由包括:将当前情境向量、用户身心状态向量、用户期望智能体人格分布、历史记忆及世界模型预测结果输入路由网络,得到各人格专家的原始激活权重;根据动态平滑系数对所述原始激活权重与上一时刻的路由权重进行平滑,并选择权重最高的前k个人格专家;所述切换控制包括:将上一时刻的主导人格专家确定为在位专家,将当前平滑权重最大的非在位专家确定为挑战专家;仅当挑战专家与在位专家之间的权重差超过专家间切换阈值并持续预设次数,且在位专家的驻留时间达到最短驻留时间时执行切换;当满足安全强制切换条件时,绕过所述预设次数和最短驻留时间。

18、根据本发明的一个实施方式,所述步骤s108中,反馈作用范围包括当前轮范围、当前会话范围和跨会话长期范围;所述反馈作用对象包括回答内容、表达策略、人格路由、人格专家、语音或动作模态、历史记忆和安全边界中的本发明还提供一种;所述反馈可靠度根据反馈明确性、信号质量、多模态一致性、重复出现程度和反馈发生时的异常状态确定;对不同反馈执行参数域隔离更新:当前轮反馈仅更新当前响应,会话级反馈更新会话级路由偏置,长期偏好反馈更新用户级路由偏置和长期偏好记忆,跨用户且跨情境一致的反馈用于更新人格专家参数;对拟写入长期偏好记忆的反馈先写入候选偏好池,并累计证据分数和跨情境重复次数;仅当所述证据分数超过晋升阈值、在不少于预设数量的不同情境中重复出现、与隐式反馈相一致且不存在禁止学习标记时,将候选偏好晋升为长期偏好。

19、一种人格化智能体助手生成系统,包括:

20、授权与多模态采集模块,用于获取用户授权并采集人体信息信号、交互信号及环境上下文信号;

21、质量评估与特征融合模块,用于对所述信号进行时间对齐、质量评估、特征提取和融合,生成当前情境向量及用户身心状态向量;

22、用户身心状态与调节需求推断模块,用于根据当前情境向量、用户身心状态向量、用户长期画像、历史记忆和当前任务生成用户调节需求向量;

23、用户期望智能体人格推断模块,用于基于所述用户调节需求向量推断用户期望智能体人格分布;

24、人格专家库模块,用于根据所述用户期望智能体人格分布生成多个候选人格策略;

25、用户状态世界模型模块,用于对各候选人格策略对应的未来用户状态和交互结果进行预测;

26、人格策略评估模块,用于基于未来用户状态和交互结果确定各候选人格策略的预测效用,并结合人格切换成本和安全风险选择目标人格策略;

27、人格路由与连续性控制模块,用于对所述目标人格策略执行人格专家路由、时间平滑及切换控制;

28、响应生成模块,用于生成符合当前情境的智能体响应;

29、反馈归因与优化模块,用于采集用户反馈并根据反馈作用范围、反馈作用对象和反馈可靠度进行分级更新;

30、安全与隐私控制模块,用于管理授权掩码、信号质量评估和安全降级策略。

31、有益效果

32、本发明提供了一种人格化智能体助手生成方法及系统。与现有技术相比具备以下有益效果:

33、1、本发明中,通过人体信息、交互信息、环境情境与历史记忆的联合建模,配合信号质量评估与授权掩码机制,有效降低了单一模态信号歧义导致的状态误判风险,即使在部分人体信息信号缺失或授权撤回的情况下,系统仍能基于其余可用模态维持可降级运行;通过将用户自身稳定人格、用户当前身心状态、用户调节需求与用户期望智能体人格进行分层建模,避免了现有技术中简单的人格模仿或情绪到人格的直接映射问题;借助用户状态世界模型在响应生成前对多个候选人格策略执行反事实滚动模拟,使人格选择从传统的当前状态静态匹配升级为面向未来交互结果的预测式决策,能够在生成前比较不同策略对用户后续情绪、认知负荷及任务完成的潜在影响;同时,通过人格特质专家与事件场景专家构成的双维专家库,实现了复合人格与场景化表达的细粒度控制,减少了单一人格模型对基础推理能力的干扰;

34、2、本发明中,通过动态平滑系数、在位—挑战专家迟滞阈值、连续证据窗口与最短驻留时间的协同控制,在保持人格连续性的同时,既降低了无真实场景变化时的误切换率,又缩短了真实风险或任务突变后的适应延迟;通过反馈作用范围、作用对象与可靠度的三维归因,结合候选偏好池、跨情境证据晋升和参数域隔离机制,有效防止了一次性反馈、异常情绪状态或敏感人体信息对长期人格画像的污染;此外,通过授权掩码、端侧特征提取、去标识化处理、最小必要采集原则及安全降级策略,显著提高了人体信息参与人格适配过程的可控性与隐私安全性,实现了人格化交互在连续性、情境适配度、长期个性化与隐私保护之间的平衡。