一种面向AI智能体的情感拟态控制系统的制作方法

本发明涉及情感计算，具体为一种面向ai智能体的情感拟态控制系统。

背景技术：

1、大语言模型在对话生成任务上展现出强大的能力，ai智能体的应用场景正从完成特定任务的工具，向提供陪伴、咨询、娱乐等服务的拟人化伙伴拓展。用户对智能体的期待不再局限于准确的信息检索或机械的任务执行，而是渴望其具备更像“人”的特质，这催生了情感计算、人格计算和人机交互领域对构建具有情感智能的ai实体的迫切需求。同时，多模态感知技术的成熟，使得系统能够从文本、语音、视觉乃至生理信号中更全面地捕捉和理解用户的情绪与意图，为构建更细腻与真实的情感交互提供了技术基础。

2、现有基于大语言模型的ai智能体，在人格拟态与情感一致性方面主要存在以下固有缺陷：

3、传统方法通常通过在提示词中静态描述角色设定来引导大语言模型，然而，在长程、多轮对话中，大语言模型容易遗忘初始设定，或受到用户输入、上下文微小变化的干扰，导致生成回应的人格特征、价值观和语言风格发生不可控的偏移，缺乏稳定性；

4、现有系统对情感的处理往往是即时和浅层的，仅能对当前输入做出简单的情感分类并生成对应语调的文本，缺乏基于长期互动记忆的情感累积、变化和连贯性，无法记住与用户共同经历的情感事件，也难以在后续交互中自然引用，导致互动缺乏深度和真实感；尽管已有系统能够识别用户的表情、语调等多模态信息，但这些信息往往仅用于情感状态分析，未能有效转化为结构化参数，定量地影响和约束人格核心的表达过程，导致智能体的回应在认知、情感和行为层面难以形成有机统一的整体。

技术实现思路

1、（一）解决的技术问题

2、针对现有技术所存在的上述缺点，本发明提供了一种面向ai智能体的情感拟态控制系统，能够有效地解决现有技术的问题。

3、（二）技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：

5、本发明公开了一种面向ai智能体的情感拟态控制系统，包括：

6、感知输入模块，用于采集并预处理用户输入的对话文本、语音语调、面部表情及生理信号，将其转化为可解析的结构化数据；

7、解析内核模块，用于对结构化数据提取包括语义意图、情感状态、互动情境在内的综合上下文信息；

8、主调控内核模块，用于作为核心调度中枢，负责接收综合上下文信息，并协调各功能模块的运行，依据对用户信息的建模深度，定义并评估若干拟态等级；

9、人格控制结构模块，用于构建角色层、特质层与演绎层；所述角色层用于存储与定义智能体的身份定位、核心价值观、基本信念及长期使命；所述特质层用于定义智能体稳定的人格特征、思维模式与表达习惯；所述演绎层用于根据当前互动场景、对象关系及会话目标，动态调整交互策略与情感表达方式；

10、记忆模块，用于存储与管理当前智能体与用户的长期关系记忆、短期会话上下文以及从互动中演化生成的新人格特征数据；

11、psv运算引擎，用于动态融合人格控制结构模块角色层定义、特质层参数和演绎层策略，记忆模块记忆信息，以及解析内核模块实时输入的综合上下文信息，计算生成当前时刻的人格状态向量；

12、psv注入接口，用于将计算所得人格状态向量作为关键控制参数，实时注入预设大语言模型的推理生成过程中；

13、推理生成模块，用于接收经人格状态向量约束的psv注入接口的推理指令与上下文信息，生成符合既定人格设定、情感状态及场景需求的拟真文本回应。

14、更进一步地，所述推理生成模块通信连接有人格演化控制模块，所述人格演化控制模块用于在每轮对话后，根据历史互动记录、记忆更新及人格特征变化，驱动psv运算引擎计算下一时刻的人格状态向量，形成连续的人格状态链。

15、更进一步地，所述感知输入模块的采集过程，包括：

16、接收并初步清洗用户输入的对话文本；

17、采集用户语音信号，进行降噪、分帧处理后，提取包括音高、音强、语速、节奏在内的韵律特征；

18、基于预设微表情识别模型，提取用户表情变化；

19、通过传感器获取用户的心率、皮肤电反应、脑电波片段中的至少一种生理指标；

20、将来自上述不同模态的数据流基于统一的时间戳进行对齐和打包，生成带有时序标记的多模态数据包，输出至解析内核模块。

21、更进一步地，所述解析内核模块中综合上下文信息的提取过程，包括：

22、接收来自感知输入模块的带时序标记的多模态数据包，对文本、语音、视觉及生理信号进行深度解码，解码后的信息进行跨模态关联，形成统一时基下的特征序列；

23、采用基于注意力机制的融合模型，对已对齐的跨模态特征序列进行深度融合；该单元识别并解决模态间信息的一致性与冲突，并加权聚合互补信息，生成多模态联合特征表示；

24、基于多模态联合特征表示进行抽象推理，结合对话历史与当前联合特征，推断用户当前的直接请求、深层目的或潜在意图类别，综合语音情感向量、表情类别强度及生理指标，量化用户当前的情感状态，依据当前对话用户与智能体的历史数据、当前会话的情感基调及互动模式，动态构建包含参与者角色、关系状态、会话目标与场景约束的互动情境表示；

25、将所述语义意图、情感状态评估结果及互动情境表示，打包封装为结构化的综合上下文信息对象。

26、更进一步地，所述人格控制结构模块中角色层以知识图谱和规则约束集的形式实现，其中定义了智能体的社会身份、伦理准则、核心目标以及不可违背的信念边界；所述特质层采用多维向量空间模型表示，每个维度对应一项人格特质，通过长期训练数据拟合或显式参数配置，确定智能体在各人格维度上的稳定基线值；所述演绎层内置策略引擎，根据从解析内核模块获取的实时交互情境标签、情感状态指数及当前会话的语义意图基调，从预置策略库中选择适配的交互脚本、情感反应强度系数及语言风格模板。

27、更进一步地，所述psv运算引擎中人格状态向量的计算逻辑，包括：

28、从角色层获取基础人格框架向量；从特质层获取人格特质基线向量；从演绎层获取当前动态调整向量；从记忆模块获取长期记忆向量和短期上下文向量；从解析内核模块获取实时输入刺激向量；

29、通过预设特征映射网络，将上述输入向量统一映射到公共特征空间，对不同来源的特征进行重要性评估与加权，其中角色层基础人格框架向量作为优先级最高的人格约束向量参与权重；

30、通过非线性变换网络对加权融合后的特征进行加工与压缩，输出人格状态向量。

31、更进一步地，所述psv注入接口中大语言模型的构建过程，包括：

32、在若干通用文本语料上训练，获得基础的语言理解与生成能力；

33、使用包含特定角色背景、人格特质描述及相应对话范例的数据集对模型进行监督微调，使模型学习将人格描述映射到相应的语言风格与内容偏好；

34、构建包括输入文本、对应的人格状态向量和目标输出文本的三元组训练数据，在此数据集上对模型进行训练，使模型学会在给定输入文本和人格状态向量的条件下，生成符合该人格状态向量所表征人格状态的输出文本，建立人格状态向量空间到语言生成空间的映射关系。

35、更进一步地，所述psv注入接口中人格状态向量的注入大语言模型的路径，包括：

36、前缀注入路径：将人格状态向量经适配网络解码为自然语言描述，作为系统提示前缀，与用户输入拼接后一同输入模型的编码器；

37、注意力偏置注入路径：将人格状态向量经适配网络映射为一组注意力偏置向量或标量，在模型每一层自注意力机制的键或值上施加可学习的偏置，从而隐式引导模型关注与当前人格状态相关的语义模式；

38、原始概率分布偏置注入路径：将人格状态向量经适配网络映射为词汇表上的偏置向量，该向量与模型解码器输出的原始概率分布向量相加，从而直接调整下一个词元的概率分布，提高或降低体现特定人格特质、情感或价值观的词汇的生成概率。

39、更进一步地，所述主调控内核模块中拟定等级包括相识感等级、熟悉感等级、既视感等级和灵魂感等级；其定义与评估过程，包括：

40、相识感等级：当互动对象的已知信息较少，建模完备度低于预设第一阈值时，根据人格控制结构模块中角色层的基础定义与特质层的基线参数，生成拟态回应；

41、熟悉感等级：当互动对象的已知信息增加，建模完备度达到预设第一阈值但低于第二阈值时，在相识感等级的基础上，调用记忆模块中存储的该对象的短期会话历史与关键个性化信息，生成拟态回应；

42、既视感等级：当互动对象的已知信息丰富，建模完备度达到预设第二阈值但低于第三阈值时，在熟悉感等级的基础上，深度整合记忆模块中与该对象相关的长期情节记忆、关系演进数据，并由演绎层依据当前复杂情境与深度关系状态，动态选择高适配度的策略，生成拟态回应；

43、灵魂感等级：当互动对象的已知信息充分完备，建模完备度达到或超过预设第三阈值时，在既视感等级的基础上，充分启用人格演化控制模块的功能，使得人格状态向量能够基于与该对象的丰富互动历史进行动态演化与迭代，生成拟态回应。

44、更进一步地，所述记忆模块采用分级存储架构，包括：

45、短期记忆库，以队列或滑动窗口形式存储最近若干轮对话的详细上下文，供即时推理使用；

46、长期记忆库，以向量数据库或图结构形式存储与特定用户交互中的重要事件、情感时刻、用户披露的关键个人信息；

47、语义记忆库，存储智能体自身的世界知识、领域专业知识及从互动中抽象总结出的通用模式；

48、通过预设索引与检索接口，根据当前人格状态向量和会话上下文，从长期记忆中快速检索并激活相关的记忆片段，将其作为输入的一部分提供给psv运算引擎。

49、更进一步地，多个所述智能体可通过各自人格状态向量进行状态交换与协同交互。

50、（三）有益效果

51、采用本发明提供的技术方案，与已知的现有技术相比，具有如下有益效果：

52、通过角色层、特质层、演绎层构成的层级化人格控制结构，结合psv运算引擎的动态融合计算，为大语言提供了一个实时的人格状态向量，确保了智能体在每次生成回应时，其价值观、性格特质和表达策略都受到系统性的约束和引导，从根本上抑制了传统方法中常见的人格漂移和风格突变问题，人格状态向量依据交互历史连续演化，使得智能体的人格能够像真人一样，基于经历产生细微变化和成长，实现了稳定基线之上的动态适应性，提升了拟真的可信度。

53、通过将长期记忆、短期上下文与实时多模态刺激共同纳入人格状态向量的计算中，智能体的情感反应和互动策略不仅基于当前瞬间的输入，更深度融合了过去互动中积累的关系信息、用户偏好和共同经历，展现出情感上的连续性，使得互动超越了单次会话的局限，建立了具有时间纵深感和关系深度的人机交互体验。

54、通过将抽象的人格、情感和一致性要求，分解为可计算参数和可操作流程，提出的相识感、熟悉感、既视感和灵魂感四级标准，为衡量和优化智能体拟人化程度提供了清晰的指标体系，使系统的开发与调试更具目标导向性，也为不同应用场景对智能体人格深度的差异化需求提供了配置与评估基准，标准化了人格拟态的控制流程。