AutoPersonas: A Multi-Timescale Loop Engine for Open-Ended Persona Evolution
AutoPersonas：开放人物演化的多时间尺度循环引擎，缓解角色自我锁定
🧭 Agent 多时间尺度演化 · 防行为锁定
Latrix
发现并缓解长期角色智能体的自我锁定行为——事件看似合理但生活坍缩，通过分离事件、观察与状态并引入发散目标减少重复
📌 工作参考价值（4 点）
- 分离观察与状态更新：在电商对话、客服或用户模拟Agent中，可借鉴OSO循环（Occurrences→Observations→State），要求新事件累积为“观察”并经证据验证后才写入状态，避免每一次交互都直接改变人格或偏好，防止行为漂移。
- 廉价多样性干预：使用上下文切片掩码（context-slice masking）和每样本发散目标（per-sample divergence targeting），在不修改模型本体的情况下降低回复或动作的主题重复率。对于推荐理由生成、多轮对话等场景，可低成本提升输出多样性。
- 采用诊断审计而非基准刷分：通过压缩仿真暴露“水印壳层”、“关系弱化”、“慢变量累积失败”等系统性问题，再针对性设计缓解方案。在推荐Agent长期运行评估中，这种审计思路比A/B测试更能发现隐蔽的坍缩模式。
- 多时间尺度架构：将环境事件、观测、状态分离在不同时间尺度上处理，可迁移到用户长期模拟器或生命周期推荐中，用于生成合理且非坍缩的用户行为序列，支撑更真实的仿真环境。