NPC 说话像一个角色，就算有稳定人格了吗？

第一篇论文的 NPC 对话实验已经完成一百回，每回十五次发言。读这批记录时，一个很自然的判断是：读几句回复，觉得“这个角色挺像设定的”，就认为人格表现成功了。

可如果继续聊下去呢？换一个问题呢？其他角色提出不同意见时，它还会保持自己的特点吗？

这些问题让我想把“像一个角色”拆开来看。这篇讨论我在 NPC 项目中关心的评价思路，尚不提供模型排名或人格稳定性的实验结论。

我会先看语言风格、人格倾向和情境反应。

语言风格比较容易被注意到。例如句子长短、礼貌程度、口头禅，或者一个人说话是否直接。

人格倾向更接近角色在不同问题里的选择方式：愿不愿意主动参与，如何对待合作，是否重视计划，遇到不确定性时怎样反应。

情境反应则和当时发生的事有关。同一个角色，在闲聊和面对危险时，表现当然可以不同。

这三个层面会互相影响，但不能用一个层面完全代替另一个。角色一直使用同样的口头禅，只能说明某种表达习惯保持了下来。

下面是一个为说明问题而写的例子，并非实验中的原始对白：

一个被设定为谨慎的 NPC，可能说：“我觉得还是先确认一下比较好。”

如果它之后每次都毫不犹豫地接受最冒险的方案，仅靠这句台词，我很难判断它是否真的表达了谨慎。

假设一个角色开始时担心建筑安全，后来有人提供了可靠的检查结果，它因此改变计划。这个变化可以是对新信息的合理回应。

所以，评价稳定性不能只统计它有没有改变答案。还需要看，它为什么改变，新的判断和当时的信息是否相符。

一个重视计划的角色，在紧急情况下也可能先处理最迫切的问题。一个内向的角色，在必要时也可能主动发言。

我希望观察的是：当情境允许不同选择时，这个角色是否持续表现出与设定有关的倾向；当行为发生变化时，能否从对话里找到理由。

这样的 NPC 才有机会既保留辨识度，又对环境作出回应。

第一次最终实验让五名 NPC 在同一回里共享对话历史，并按固定顺序发言。后面的角色可以读到前面的人刚刚提出的建议。

这意味着，角色的回复不仅受到人格提示词影响，还受到其他角色和历史内容影响。

假如前面的人已经给出一个完整计划，后面的人选择赞同，不能立刻判断它缺乏个性。也许赞同符合它的合作倾向；也许它没有提出意见的必要；也可能提示词没有为分歧留下足够空间。

同样，随着历史变长，角色如何使用初始设定和近期信息，也值得观察。但“历史越长，人格一定越漂移”仍需要实验支持，不能先当成结论。

我会把发言顺序、历史长度、场景和提示词都看作实验条件，一起记录下来。

第一步，是给评价留出足够的观察范围。只读一句话，很容易被语气影响；把一整场对话混在一起，又可能看不见变化发生的位置。

一个可以尝试的方法，是分别观察前、中、后几个阶段，保留各阶段的判断依据。但窗口里需要有多少文本、是否能公平比较，还要进一步验证。

第二步，是同时保存分数和证据。评价者说这个角色比较重视合作，需要能指出是哪几次回应支持了判断。

第三步，是检查评价本身。不同评价者是否得出接近的判断？换一种评分提示词，结果是否变化很大？自动评价与人工阅读是否存在明显分歧？

这些是我想完善的评价步骤，不代表当前仓库已经实现了完整流程。

公开项目示例里有一个辅助计算：比较角色目标人格参数与评价得到的五维分数，计算欧氏距离。它不应直接被当成第一次一百回实验已经采用的评价方法。

可以把它想成比较两组坐标。距离较小，表示两组分数在这个计算方法下更接近。

但这个结果依赖输入的评价分数。评分如果不可靠，距离即使精确，也不能证明角色表现准确。

此外，总距离会把五个维度的差异合并起来。两个角色可能得到相近的距离，实际偏离的维度却完全不同。

因此，我更愿意把它和分维度结果、文本证据一起使用。它能够帮助整理比较，不能独立承担所有解释。

TIPI-J 原本是为人格测量开发的简短量表；将相关维度用于生成角色和评价对话，是需要额外验证的使用方式。TIPI-J 原始论文

我希望角色在对话里有可辨认的选择方式，而不只是不同的名字和措辞。

它可以学习新信息，可以改变想法，也可以和别人达成共识。但我希望能从这些变化里看见它为什么这样做，理解它与另一个角色的区别。

要走到这一步，需要把观察变成可以核查的问题：具体哪一次回复表达了什么倾向，之后发生了什么，判断依据是否足够。

这些问题会继续留在我的实验里。第一次实验已经留下真实日志，第二回实验也有自己的材料。讨论哪些设定更容易保持、哪些情境更容易改变角色表现，需要分别依据两次实验的条件和分析，不能把不同版本混在一起。