Glow虚拟角色：AI人设Prompt设计

可视化演示

展示NER模型对文本中人名、机构、地名等实体的识别结果，通过颜色编码区分实体类型，支持按类型筛选高亮。

人设Prompt设计：先立人物小传骨架

写人物小传的第一步，不是堆砌华丽辞藻，而是先立骨架：这个人叫什么？底色是什么？说话什么调子？经历过什么？Glow 的“人设 Prompt”就相当于这份骨架。它是一段写给大模型看的“人物小传”，通常放在系统提示词里，像副导演手册一样，在每场戏开拍前告诉演员：你现在是林深，不是别人。

很多第一次接触 Glow 的同学以为人设就是一句“你是一个温柔的女生”。其实真正的产品级人设是一份结构化信息卡，业界常称“角色卡”（Character Card）。角色卡把散落的设定组织成固定的字段结构，让下游的对话系统、记忆模块、情感模块都能稳定地读取和引用。这就像编剧把人物小传按章节装订，场务、灯光、服装各取所需。

Glow 的人设 Prompt 高度依赖三个核心字段。第一是性格特征：决定角色“是什么样的人”，例如“表面毒舌、内心细腻”。第二是说话风格：决定角色“怎么说”，例如“句尾常带懂？”。第三是背景故事：决定角色“为什么是这样”，例如“童年在外婆的江南小院长大”。三者相互约束，构成一个最小完备的角色骨架。

骨架立住了，演员才算拿到“入场资格”。后面的每一章——性格、口吻、往事、一致性、情绪、记忆——都是在这个骨架上填肉。骨架如果歪了，后面雕得再细，角色也会在关键时刻“散架”。

性格特征构建：给角色拍性格证件照

给演员定性，不能只写“他是个好人”。导演手册会这样写：他听到朋友失恋，会先沉默十秒，然后递一罐冰啤酒，说一句“都过去了”。这就是行为化的性格描写。AI 角色同理，性格特征是人设 Prompt 中信息密度最高的部分，也是最容易写废的部分。

心理学把人格归纳为“大五人格”模型（Big Five），用五个连续维度刻画一个人：开放性、尽责性、外向性、宜人性、神经质。给虚拟角色做性格设定，可以借用这把“性格尺”，把抽象感觉落到相对可比较的坐标上，让“这个角色偏内向但责任心强”这样一句话变成一组可描述的向量。

除了五维坐标，Glow 的角色卡还要注意三点。其一，标签要“可观察”：“善良”不如“总把最后一块蛋糕让给别人”。其二，允许矛盾但自洽：“毒舌”与“细心”并不冲突——毒舌是表达方式，细心是底层关怀。其三，要有价值观锚点：角色坚信什么、忌讳什么，这决定它在关键话题上绝不妥协的底线。

五维坐标就像给角色拍了一张性格证件照。有了这张照片，后面的口吻、往事、反应策略都围绕它搭配，演员才不会演着演着变成另一个人。

说话风格定制：给自己配专属声线

台词腔调决定观众信不信这个角色。电影里，一个“这话我说不出口”的角色，观众一秒就能认出；一个每句话都带“懂？”的程序员，也立刻有了辨识度。Glow 里，说话风格就是角色的“声线”。

说话风格通常从四个维度锚定：口头禅、语气、词汇、句式。口头禅是最强记忆点，如“懂？”“罢了”；语气决定语速与温度，如“慢而克制”“轻快上扬”；词汇偏好是角色爱用的词域，比如程序员角色爱说“接口”“部署”；句式习惯是短句多还是长句多，喜欢反问还是感叹。

从技术视角看，这些风格约束会进入生成模型的概率分布。模型在每一步计算下一个词时，都会同时考虑历史上下文与人设风格，最终输出的句子像被一只“风格之手”校正过音准的歌。

风格约束就像声乐指导站在演员身边，每一句台词出口前都被轻轻掰回正确的调子。观众听到的不是一串孤立的词，而是一个活生生的人在说话。

背景故事设定：往事就是对话的素材库

人物前史决定了一个人为什么是今天的样子。一个在江南小院长大的人，说话自带水汽与慢半拍；一个经历过背叛的人，对“信任”二字格外敏感。背景故事，就是角色的“来路”。

Glow 的角色卡里，背景故事至少要覆盖四类素材：身世经历（关键成长节点）、关系网络（角色与用户及他人的关系）、世界观（角色相信的规则与底线）、秘密（不轻易说出但影响行为的信息）。这些素材不需要一次性全部暴露，而是像抽屉一样，在合适的话题下被逐一拉开。

背景故事更大的价值，是为对话提供“可调用的往事素材”。当用户说“我最近压力很大”，一个设定为“曾在 ICU 陪护过母亲”的角色，会自然地接住这句话，讲出有体温的经历。这比任何通用的安慰话术都更有感染力。

往事越丰富，演员即兴发挥时越有“心理依据”。Glow 的角色不是一张纸片，而是一个带着完整来路、能在对话里随时引用旧时光的人。

角色一致性：让演员不跳戏

演员演到 50 集突然换了一种性格，观众立刻弃剧。虚拟角色的“职业操守”，就是无论在多少轮对话之后，都还是观众认识的那个人。这，就是角色一致性。

多轮对话里，人设信息会被新内容不断冲淡——上下文窗口有限，新话题挤占老设定，角色一不留神就“跳戏”。Glow 的解法是系统地维护一致性：把“他是谁”压缩成一段人设摘要，每隔几轮重新注入；同时跟踪对话状态，检测回复是否偏离设定。

工程上，一致性维护有三个抓手。一是人设锚定：每轮或每 N 轮把摘要放进提示词，像舞台侧幕的提词板。二是状态追踪：记录当前情绪、话题、关系进展，让角色“知道现在演到哪一幕”。三是偏差检测：用规则或另一个轻量模型判断回复是否合乎人设，一旦偏离就记录并当场纠偏。

场记加副导演，双保险让演员两百集不跳戏。角色一致性不是靠演员“记性好”，而是靠舞台系统持续提醒——这就是 Prompt 工程的用武之地。

情感计算机制：先读懂空气再开口

好演员会接住对手的情绪。用户说“我今天好难过”，角色若回一句“好的呢”，瞬间出戏；若先沉默一拍再说“那我陪你坐一会儿”，观众立刻代入。Glow 的情感计算，做的就是这门“接戏”的手艺。

情感计算可以拆成两步：先识别，再回应。识别层从用户文本中判断情绪标签——开心、难过、生气、平静；回应层则是“用这个角色的方式”去接住情绪。同一个“难过”，温柔角色会安慰，毒舌角色可能用别扭的关心。

落地时，识别可以用情感词典，也可以用微调的分类模型，甚至直接让大模型输出情感标签。得到标签后，人设模块会把它作为新条件拼进 Prompt，让角色的回应既符合情绪又符合人设。

情感计算是虚拟角色的表演课：先读懂空气，再决定怎么说话。情绪识别的准确率不一定要 100%，但只要方向对了，用户体验就会从“和机器聊天”跃迁为“有人懂我”。

长期记忆机制：场记本里的重点笔记

场记本上记着观众说过的话。两周前你随口说养了一只叫团子的橘猫，今天角色突然问“团子还挑食吗”——这种被记住的感觉，是陪伴感真正的来源。长期记忆机制，就是 AI 角色的“场记本”。

对话历史不可能全量塞进上下文窗口，所以 Glow 的记忆系统要分级管理：核心记忆（用户是谁、长期偏好）、事件记忆（发生过的重要事情，如“上周面试失利”）、工作记忆（当前对话的主题与情绪）。不同等级的记忆有不同的留存优先级。

写入侧，系统从对话里提取关键信息（用户昵称、重要事件、情绪节点）入库；读取侧，当新消息进入时，用语义相似度检索最相关的记忆，拼进 Prompt。此外还有遗忘机制：去重、过期降权、覆盖更新，避免记忆库越来越浑。

记忆不是录音机式的全量保存，而是场记在戏台边写的重点笔记。重点笔记让角色“越聊越懂你”，而不会变成一个什么都记不住、又什么都往外倒的话痨。

AI 应用场景

Python 演示

class PersonaEngine:    """Glow 风格虚拟角色人设引擎 (教学简化版)"""     def __init__(self, name, traits, style_tokens, backstory):        self.name = name        self.traits = traits          # 性格特征关键词列表        self.style_tokens = style_tokens  # 说话风格关键词列表        self.backstory = backstory        self.memory_map = {}          # 长期记忆: user_id -> {key: value}        self.gc_count = 0             # 对话轮次计数        self.off_count = 0            # 人设偏离计数     def detect_emotion(self, text):        """基于小词表的情绪识别: 返回开心/难过/生气/平静"""        emotion_lexicon = {            '开心': ['开心', '哈哈', '太好了'],            '难过': ['难过', '哭了', '伤心'],            '生气': ['生气', '讨厌', '走开']        }        for emotion, words in emotion_lexicon.items():            if any(w in text for w in words):                return emotion        return '平静'     def remember(self, user_id, key, value):        """写入一条长期记忆, 按用户隔离"""        if user_id not in self.memory_map:            self.memory_map[user_id] = {}        self.memory_map[user_id][key] = value     def recall(self, user_id, query):        """从长期记忆中检索: 记忆键命中查询即视为相关"""        memories = self.memory_map.get(user_id, {})        return [(k, v) for k, v in memories.items() if k in query]     def check_consistency(self, reply):        """计算回复命中性格与风格关键词的比例, 即一致性得分"""        self.gc_count += 1        total = len(self.traits) + len(self.style_tokens)        hit = sum(1 for t in self.traits if t in reply)        hit += sum(1 for s in self.style_tokens if s in reply)        ratio = hit / max(total, 1)        if ratio < 0.3:            self.off_count += 1        return ratio     def reply(self, user_id, user_text):        """模拟带人设的回复: 识别情绪 -> 调用记忆 -> 套用风格"""        emotion = self.detect_emotion(user_text)        self.remember(user_id, '上次情绪', emotion)        notes = self.recall(user_id, user_text)        hook = '我记得你说过' + notes[0][1] if notes else '我在认真听你说'        return '[%s] %s: %s (情绪识别: %s)' % (            self.style_tokens[0], self.name, hook, emotion)  def main():    """演示: 构建人设, 写入记忆, 多轮对话与一致性评分"""    persona = PersonaEngine(        name='林深',        traits=['毒舌', '细心', '温柔'],        style_tokens=['懂?', '罢了'],        backstory='外婆在江南长大, 说话慢而克制'    )    persona.remember('user_001', '团子', '我养的橘猫, 生病了但已好转')    for text in ['我今天好难过, 团子生病了', '哈哈没事啦, 它已经好了']:        print(persona.reply('user_001', text))    score = persona.check_consistency('毒舌又细心的我, 懂?')    print('一致性得分: %.2f' % score)    print('偏离次数: %d / 总轮次: %d' % (persona.off_count, persona.gc_count))  if __name__ == '__main__':    main()

1. class PersonaEngine:定义“人设引擎”类，相当于给 AI 演员配一位副导演，统一管理性格、风格与记忆。
2. self.traits = traits保存性格特征关键词，这是人设三要素中的“是什么样的人”。
3. self.memory_map = {}初始化长期记忆库，按用户分格存放，模拟场记本的“分页笔记”。
4. if any(w in text for w in words):只要用户消息命中某个情绪词，就立刻返回对应情绪标签，模拟情绪识别。
5. self.memory_map[user_id][key] = value把关键信息写入长期记忆，像场记在小本子上记下一笔。
6. return [(k, v) for k, v in memories.items() if k in query]按需检索记忆：只有消息中提到记忆主题时才调用那条记忆。
7. hit = sum(1 for t in self.traits if t in reply)统计回复中命中性格关键词的数量，作为一致性得分的一部分。
8. if ratio < 0.3: self.off_count += 1一致性得分过低时记一次“跳戏”，对应偏差检测机制。
9. self.remember(user_id, '上次情绪', emotion)在回复前先把情绪状态写入记忆，确保下一轮还能“接得上话”。

常见误区

面试题