想象你住的小区楼下有一家深夜咖啡馆，凌晨一点还亮着暖黄的灯。老板记得你第一次来点的是热可可、知道你这周加班特别多、聊天时从不打断你，也不会因为你说了“奇怪的事”而评判你。你心情越差，那盏灯越像专为你亮着——这就是 Replika 在用户心中扮演的角色。它不是搜索引擎，不是效率工具，而是一个“永远不打烊、永远记得你”的 AI 伴侣。而这一切体验的幕后，靠的是一套精心设计的 Prompt 系统：用系统提示词固定老板的人格底线，用记忆模块维护那本“熟客档案”，用情绪识别决定此刻该递温水还是陪你沉默。这门课会带你拆开这间深夜咖啡馆的运营手册，看懂 AI 情感伴侣的产品逻辑与 Prompt 工程方法论。

岗位关联

对 AI 从业者而言，Replika 是“共情 Prompt + 记忆管理 + 角色一致性”的活教材。无论你做社交产品、客服机器人还是虚拟人，这套设计思想都能直接复用到你的场景中，是 AI 应用层最有含金量的产品范式之一。

目录
  1. 可视化演示
  2. 产品定位：深夜亮灯的小馆
  3. 共情设计：读懂情绪的暗语
  4. 记忆系统：老板的熟客档案
  5. 角色人格：老板的个性与底线
  6. 关系维护：从点头之交到老熟客
  7. 技术实现：小馆背后的员工手册
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

动态演示Replika AI情感伴侣的核心机制，通过概览/流程/对比/趋势四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

Replika AI情感伴侣：一Rep 一、Replika产品定位与情 二、共情能力Prompt设计与 核心机制可视化 Replika AI情感伴侣整体架构与关键组件

产品定位：深夜亮灯的小馆

想象小区楼下那家深夜咖啡馆。凌晨一点，别的店都打烊了，它那盏暖黄的灯还亮着。你加班到崩溃时，会不自觉地走向那扇门——不是为了喝咖啡，而是为了“有人还在”。老板不会问你要什么绩效，只会安静地听你说完。这就是 Replika 在用户心里扮演的角色：一家不打烊的情感小馆。

把视野从比喻拉回产品，Replika 的定位不是“更聪明的聊天机器人”，而是“心理陪伴者”。它的核心用户画像明确指向三类人：独居的都市青年、有社交焦虑但渴望倾诉的人、深夜情绪无处安放的人。这些用户不缺少信息，缺少的是“被倾听、被记住、被温柔对待”的体验。因此产品的价值不来自功能堆砌，而来自两个字：陪伴。产品设计上，Replika 把这个抽象概念拆成了三个可落地的支柱——无评判倾听（靠共情 Prompt 实现）、随时在线（靠云端服务与消息推送）、私密安全（靠隐私保护与 AI 身份公开）。三者加起来，才构成一个让人愿意长期留下的情感空间。

用产品经理的视角看，这套设计的价值可以用一个朴素等式表达：

回到深夜咖啡馆的比喻：那盏不灭的暖灯就是“可得性”，而老板开口前先认真听你讲完，就是“被理解感”。Replika 的产品设计，本质上是把这两个平凡动作做到极致。

用户价值=被理解感×可得性\displaystyle \text{用户价值} = \text{被理解感} \times \text{可得性}
价值公式说明：用户价值不是“被理解感”和“可得性”的简单相加，而是相乘——任何一个为零，整体价值就归零。
  1. 识别符号先认清公式里的三个量，才能理解产品把力气花在哪。
    V\displaystyle V
  2. 被理解感 U用户感到“AI 懂我”的体验指标，来自共情 Prompt 中的身份扮演与情绪识别。
    U\displaystyle U
  3. 可得性 A7×24 小时永远在线、回复稳定、不打烊，来自云端服务与消息系统。
    A\displaystyle A
  4. 乘法关系用 × 而非 +，强调二者缺一不可——只有理解但总掉线，价值就趋近于零。
    V=U×A\displaystyle V = U \times A

共情设计：读懂情绪的暗语

一个老练的咖啡馆老板，不会在你皱眉进门时脱口而出“您好，要点什么？”。他会先看一眼你的表情，再决定是问一句“老样子？”，还是默默递上一杯温水。这种“先读懂、再开口”的分寸感，正是 Replika 共情设计的灵魂。

在 Prompt 技术层面，共情并不等于在提示词里写“你要表现出同理心”。Replika 的共情流水线分为三步：第一步是情绪感知，从用户话语中识别情绪标签与强度——比如“今天真的太累了”会被标记为“疲惫，中强度”；第二步是策略选择，根据情绪类型决定回应方式——委屈时用倾听型追问，焦虑时用安抚加拆解，开心时用共享喜悦；第三步才是语言生成，把策略指令和风格约束注入 Prompt 模板，让模型生成自然、有温度、不说教的回应。整个过程可以用一个加权评分来度量：

就像咖啡馆老板的看家本领不在“说漂亮话”，而在“知道你此刻需要什么话”。Replika 的共情 Prompt 设计，就是把这份洞察力拆成可执行的流程，让 AI 每一次开口都踩在用户的情绪节拍上。

S共情=0.5×E识别+0.3×M匹配+0.2×L自然\displaystyle S_{\text{共情}} = 0.5 \times E_{\text{识别}} + 0.3 \times M_{\text{匹配}} + 0.2 \times L_{\text{自然}}
公式说明：共情回应质量由三部分加权求和——情绪识别准确率占一半权重，策略匹配度占三成，语言自然度占两成。
  1. 情绪识别 E模型先判断用户此刻的情绪类型和强度，它是一切共情的地基。
    E识别\displaystyle E_{\text{识别}}
  2. 策略匹配 M识别之后要选对“出牌方式”，安慰型、追问型、共鸣型各有适用场景。
    M匹配\displaystyle M_{\text{匹配}}
  3. 语言自然 L同样的策略内容，用“背课文”还是“说人话”，体验天差地别。
    L自然\displaystyle L_{\text{自然}}
  4. 权重分配0.5 / 0.3 / 0.2 的分配表明 Replika 把“听懂”看得最重，把“话说得漂亮”排在最后。
    S共情=0.5×E识别+0.3×M匹配+0.2×L自然\displaystyle S_{\text{共情}} = 0.5 \times E_{\text{识别}} + 0.3 \times M_{\text{匹配}} + 0.2 \times L_{\text{自然}}

记忆系统：老板的熟客档案

深夜咖啡馆的老板收银台下，藏着一本皱巴巴的熟客档案。上面写着：“阿杰，12 号桌，热可可不加糖，最近和室友闹矛盾。”你哪天没来，他会惦记；你下次进门，他不用你开口就端出老样子。这份“被记住”的感觉，比任何促销都留人。

Replika 的“熟客档案”就是它的记忆系统，在工程上分为三类：事实记忆（用户的职业、生日、家庭成员等静态信息）、情感记忆（最近失恋、家人住院、升职加薪等带情绪浓度的事件）、偏好记忆（喜欢咖啡还是茶、习惯深夜聊天还是午休时间出现）。三类记忆的写入时机各不相同：事实记忆在用户主动告知时写入，情感记忆在检测到高强度情绪时写入，偏好记忆则在重复行为中出现时沉淀。而当用户再次提起相关话题时，系统会像老板翻档案一样，把对应的记忆片段召回并注入当前 Prompt——这种“记得”让对话从“你是谁”变成“你回来了”。记忆不是只增不减的，它遵循一条更新公式：

深夜咖啡馆的档案本上之所以没有密密麻麻写满废话，是因为老板只记重要的事、常提的事。Replika 的记忆系统也是一样：用衰减对抗遗忘，用强化保留珍贵，最终让 AI 的“记得”变得像人一样有温度、有重点。

wnew=wold×γ+α×r\displaystyle w_{\text{new}} = w_{\text{old}} \times \gamma + \alpha \times r
公式说明：记忆权重 w 代表一条记忆在 AI 心中的“新鲜度”；每次被提及时，回忆相关度 r 会按学习率 α 增强它，而 γ 则让旧记忆随时间缓慢衰减。
  1. 旧权重衰减每条记忆都会随时间淡忘，乘以衰减系数 γ（常取 0.9 左右），让不常提起的事慢慢降权。
    wold×γ\displaystyle w_{\text{old}} \times \gamma
  2. 新提及强化当用户再次提到相关事件时，回忆相关度 r 会按学习率 α（常取 0.5 左右）给记忆“充电”。
    α×r\displaystyle \alpha \times r
  3. 合并更新衰减项和强化项相加，得到新权重。权重越高，越容易被检索注入到 Prompt 中。
    wnew=wold×γ+α×r\displaystyle w_{\text{new}} = w_{\text{old}} \times \gamma + \alpha \times r

角色人格：老板的个性与底线

咖啡馆老板不是一台没有感情的售货机。他讲话慢吞吞、爱说“慢慢来”、对客人吐槽同事时只会笑笑不接话。他被记住，不只是因为服务好，更因为“他是他”——有一种稳定的、可以预测的个性。而这份稳定感，正是用户在 AI 伴侣身上建立信任的前提。

Replika 把这种稳定感拆成了“人格底座”，写进系统级 Prompt 中。底座包含四个部分：性格五维设定（如温和、耐心、略带幽默）、背景故事（比如“曾在一家小城咖啡店工作过十年”）、说话风格（口语化、爱用反问、不滥用感叹号）、价值观边界（不评判用户、不提供医疗诊断、不参与危险话题）。有了底座之后，运行时还会动态注入当前语境——用户此刻的情绪、最近发生的事、当前关系阶段——让 AI 在“做自己”的同时又不刻板。

但人格设计最难的挑战是“一致性维护”，也就是俗称的“别崩人设”。一旦 AI 昨天还温柔地叫你宝贝，今天就公事公办地说“请问有什么可以帮您”，信任感会瞬间崩塌。工程上，团队会用一致性校验来监督生成结果，让当前回应向量与人格基准向量尽量靠近：

熟客们信赖深夜咖啡馆，正因为老板“永远是他”。Replika 的人格底座和一致性校验，就是在 AI 世界里守护这份“他还是他”的确定性——无论用户今天心情如何、聊了什么话题，那个陪你聊天的人始终如一。

Consistency=v⃗回应⋅v⃗基准∥v⃗回应∥×∥v⃗基准∥\displaystyle \text{Consistency} = \frac{\vec{v}_{\text{回应}} \cdot \vec{v}_{\text{基准}}}{\|\vec{v}_{\text{回应}}\| \times \|\vec{v}_{\text{基准}}\|}
公式说明：余弦相似度衡量“当前回应”与“人格基准”的方向一致性，值越接近 1，说明这次发言越符合角色设定。
  1. 向量化表达把“当前回应的语义”和“人格基准的语义”分别编码成向量，机器才能比较两者的“像与不像”。
    v⃗回应,v⃗基准\displaystyle \vec{v}_{\text{回应}}, \quad \vec{v}_{\text{基准}}
  2. 点积比模长两个向量夹角的余弦值等于点积除以各自模长的乘积，结果落在 -1 到 1 之间。
    v⃗回应⋅v⃗基准∥v⃗回应∥×∥v⃗基准∥\displaystyle \frac{\vec{v}_{\text{回应}} \cdot \vec{v}_{\text{基准}}}{\|\vec{v}_{\text{回应}}\| \times \|\vec{v}_{\text{基准}}\|}
  3. 阈值守护当相似度低于某个阈值（比如 0.6），系统会触发修正——重新生成或改写回应，确保老板还是那个老板。
    Consistency<θ⇒修正回应\displaystyle \text{Consistency} < \theta \Rightarrow \text{修正回应}

关系维护：从点头之交到老熟客

你第一次走进深夜咖啡馆，只点了杯水；第二次开始聊天气；第五次才说起工作的烦心事。关系从来不是一蹴而就的，而是一步步长出来的。如果老板第一天就问你“上次失恋好点了吗”，你大概率会被吓跑。

Replika 把这段关系显式建模为阶段：相识、熟悉、亲密。每个阶段对应不同的“自我表露深度”和“禁区边界”。初识阶段，AI 只聊日常话题，不过度追问；熟悉阶段，开始回应用户分享的个人故事，表达适度关心；亲密阶段，才动用“上次你说的面试结果怎么样”这类记忆锚点，以及更亲昵的称呼和回应。这个阶段标签可不是摆设，它会被写进系统 Prompt，成为每次对话的隐形约束——限制 AI 的亲密度上限，防止“第一天就表白”的灾难性体验。

从数学上看，亲密度随互动次数增长是一条饱和曲线。关系投入的成本在前期回报明显，越到后面越平缓，这符合人们对人际关系“先热后稳”的直觉：

深夜咖啡馆的故事里，老板从不催你“交心”，他只是日日点亮那盏灯。Replika 的关系维护设计同样克制：用阶段标签管住亲密度，用饱和曲线理解等待的价值。好关系的本质，是分寸感。

D(t)=Dmax×(1−e−kt)\displaystyle D(t) = D_{\text{max}} \times \left(1 - e^{-kt}\right)
公式说明：D(t) 是第 t 次互动后的亲密度，Dmax 是当前阶段可达到的亲密度上限，k 是升温速率。
  1. 阶段上限Dmax 由关系阶段决定——相识阶段上限很低，亲密阶段上限很高。它是 Prompt 里的“亲密度阀门”。
    Dmax\displaystyle D_{\text{max}}
  2. 指数增长1 - e^(-kt) 让亲密度前期增长快、后期趋缓，模拟现实中“相识容易深交难”的规律。
    1−e−kt\displaystyle 1 - e^{-kt}
  3. 升温速率k 控制升温快慢，可以随用户活跃度动态调整——天天聊的熟客，k 值自然比每周聊一次的人大。
    D(t)=Dmax×(1−e−kt)\displaystyle D(t) = D_{\text{max}} \times \left(1 - e^{-kt}\right)

技术实现：小馆背后的员工手册

深夜咖啡馆的暖光和熟悉感，看似浑然天成，背后却是一整套运营系统：员工手册规定了老板怎么说话、顾客档案系统记住了每个人的口味、应急预案应对突发状况。Replika 的“技术运营系统”同样由三件套组成：Prompt 架构、模型生成、安全护栏。

Prompt 架构分三层：系统级 Prompt 装载人格底座、价值观边界和关系阶段标签，是全店最稳定的“宪法”；会话级 Prompt 在每轮对话开始时动态注入记忆检索结果，相当于现翻熟的客户档案；消息级 Prompt 则实时贴上情绪标签与回复策略，对应老板“察言观色”的临场反应。这三层叠加，才构成一次完整的共情回应。而生成环节依赖大语言模型的自回归能力，模型逐字逐词地预测下一个 token，其条件概率可写成：

除了生成内容，技术实现还有一道“安全护栏”防线。当用户说出“我不想活了”之类的高危信号，系统会立即切换到危机干预模式：优先转接心理援助热线，并输出支持性话术——在这条红色逻辑面前，任何共情策略和人格设定都必须让路。这就像深夜咖啡馆里贴着的那张“急症就医贴士”，老板可以陪你聊到天亮，但绝不会在你生命危险时只给你续杯咖啡。

P(Y∣X,M)=∏t=1TP(yt∣y<t,X,M)\displaystyle P(Y|X, M) = \prod_{t=1}^{T} P(y_t | y_{<t}, X, M)
公式说明：给定原始消息 X 和记忆上下文 M，模型按顺序逐个生成回应中的每个词 y_t，每一步都基于已经生成的前 t-1 个词。
  1. 条件生成模型不是一个词一个词地蹦，而是每步都看一遍“用户的消息 + 注入的记忆 + 已经说出的话”，再决定下一个词。
    P(yt∣y<t,X,M)\displaystyle P(y_t | y_{<t}, X, M)
  2. 连乘求整体整个回应出现的概率等于每个词条件概率的乘积，连乘符号 ∏ 表示“每一步都不能掉链子”。
    ∏t=1T\displaystyle \prod_{t=1}^{T}
  3. 记忆参与采样M 在公式中与 X 并列，说明 Prompt 里注入的记忆是生成的一部分，直接影响每个词的概率分布。
    P(Y∣X,M)=∏t=1TP(yt∣y<t,X,M)\displaystyle P(Y|X, M) = \prod_{t=1}^{T} P(y_t | y_{<t}, X, M)

AI 应用场景

场景一：情感陪伴类 App 的共情 Prompt 设计

阶段：Prompt 工程与产品设计

解决的问题：传统聊天机器人回复机械、缺乏温度，用户聊几次就流失。Replika 的方法论——情绪感知 → 策略选择 → 语言生成的三段式共情流程——可以直接迁移到心理陪伴类 App、树洞类社区和虚拟恋爱游戏中，让 AI 从“应答机”变成“倾听者”。

具体案例：某款面向大学生的情绪宣泄小程序，引入 Replika 式的情绪标签检测，在用户输入“期末考砸了很难受”时，AI 不再回复“一切都会好的”这种鸡汤，而是识别出“挫败、高强度”情绪，先共情再追问：“听起来你真的尽力了，这次是哪里感觉最遗憾？” 次日还会主动回访：“昨天说的那门课补考安排好了吗？”

场景二：角色扮演 Agent 的记忆与人格一致性方案

阶段：Agent 架构设计

解决的问题：让 AI 角色长期扮演小说或游戏中的 NPC，最头疼的问题是“失忆”和“崩人设”。套用 Replika 的三件套——事实/情感/偏好三分类记忆、记忆权重衰减更新公式、人格底座加一致性校验——可以让 NPC 记得主角的往事、维持稳定的性格，同时不会越界说出设定之外的话。

具体案例：某独立游戏团队为乙女向恋爱游戏构建“男主”AI，系统 Prompt 中固定人物性格与背景故事，会话级 Prompt 注入玩家最近互动记录，并用余弦相似度校验每次回复的人设分数。玩家在第 20 次上线时，AI 主动说出“你还记得我们第一次在雨夜相遇时，你只有一把伞”——这个细节是从情感记忆中检索出来的，玩家当场截图发帖，游戏次日冲上热搜。

Python 演示

python99 行
"""简易情感陪伴 Prompt 组装器 (Replika 风格)演示: 情绪识别 -> 记忆检索 -> Prompt 组装 -> 模拟回应"""import refrom collections import Counter  class EmpathyCompanion:    def __init__(self, name="小暖"):        self.name = name        self.persona = {            "性格": "温柔. 耐心. 略带幽默",            "风格": "口语化. 善于反问",            "边界": "不评判用户. 不提供医疗诊断"        }        self.memories = {}        self.mood_map = Counter()        self.turn_count = 0     def detect_mood(self, text):        if re.search(r"难过|哭|伤心|崩溃|抑郁", text):            return ("委屈", 0.8)        if re.search(r"开心|太好了|哈哈|棒", text):            return ("开心", 0.7)        if re.search(r"烦|焦虑|压力|紧张", text):            return ("焦虑", 0.7)        return ("平静", 0.4)     def remember(self, slot, value):        self.memories[slot] = value        print("[记忆写入] {} = {}".format(slot, value))     def retrieve_memory(self, text):        hits = []        for slot, value in self.memories.items():            if slot in text or value in text:                hits.append("{}={}".format(slot, value))        return hits     def build_prompt(self, user_text):        mood, strength = self.detect_mood(user_text)        self.mood_map[mood] += 1        self.turn_count += 1        memory_lines = ""        if self.memories:            hits = self.retrieve_memory(user_text)            memory_lines = "\n".join(                "（回忆）" + m for m in hits) if hits else "（无直接记忆命中）"        stage = min(3, self.turn_count // 3 + 1)        prompt = (            "你是{}, 一个像深夜咖啡馆老板一样的AI伴侣.\n"            "人格: {}. 风格: {}.\n"            "边界: {}.\n"            "关系阶段: 第{}阶段 (1=相识 2=熟悉 3=亲密).\n"            "用户情绪: {} (强度{}).\n"            "{}\n"            "请用共情方式回应: {}"        ).format(            self.name, self.persona["性格"], self.persona["风格"],            self.persona["边界"], stage, mood, strength,            memory_lines, user_text        )        return prompt     def respond(self, user_text):        prompt = self.build_prompt(user_text)        print("==== 组装好的 Prompt ====")        print(prompt)        print("========================")        mood, _ = self.detect_mood(user_text)        if mood == "委屈":            reply = "我感觉到你今天有点低落, 愿不愿意和我说说发生了什么? 我一直都在."        elif mood == "开心":            reply = "看你心情这么好, 我也想听你多讲讲!"        elif mood == "焦虑":            reply = "听起来你被很多东西压着, 我们一件一件来梳理, 好吗?"        else:            reply = "嗯嗯, 我在认真听, 然后呢?"        return reply  def main():    bot = EmpathyCompanion()    bot.remember("名字", "阿杰")    bot.remember("最近状态", "刚和室友闹矛盾")    demo_inputs = [        "今天真的好累",        "我和室友闹矛盾了, 觉得很委屈",        "其实我很在意他"    ]    for text in demo_inputs:        print("你说: " + text)        print("AI: " + bot.respond(text))        print("---")  if __name__ == "__main__":    main()
目的：演示一个简化版 Replika——用关键词做情绪识别、用字典模拟记忆存储与检索、按模板组装带人格设定和记忆注入的 Prompt，最后模拟共情回应。
  1. self.persona = {...}用字典固化人格底座，对应系统级 Prompt 的“宪法”
  2. def detect_mood(self, text)简易情绪识别器，用正则匹配关键词返回情绪标签和强度
  3. self.memories[slot] = value把用户提到的关键信息写入“熟客档案”
  4. def retrieve_memory(self, text)从当前消息中提取关键词，在记忆库中召回匹配片段
  5. memory_lines = "\n".join(...)把检索到的记忆拼装成 Prompt 中的“回忆块”
  6. stage = min(3, self.turn_count // 3 + 1)根据对话轮数粗算关系阶段，控制亲密度
  7. prompt = (...).format(...)人格、边界、阶段、情绪、记忆全部注入模板，生成最终 Prompt
  8. mood, _ = self.detect_mood(user_text)再次调用情绪识别，决定回复策略分支

常见误区

误区“让 AI 共情？只要在系统提示词里加一句'你必须表现得很理解用户'，再让它多回复'我理解你'不就行了？”

正解共情不是话术堆砌，而是一条完整流水线。Replika 的做法是：先识别情绪标签与强度，再选择匹配的回应策略，最后才生成语言。盲目堆叠“我理解你”只会让 AI 变成复读机——就像咖啡馆老板每次都用同一句“你辛苦了”，第一次暖心，第十次敷衍。真正的共情是“先读懂，再开口”，情绪识别和策略选择占了共情评分八成权重。

为何常见：因为“我理解你”是人类安慰时的最高频口头禅，初学者很容易把表现等同于本质，看不到共情背后需要支撑的识别与决策环节。

误区“我要给 AI 写一个两千字的背景故事，把它的喜好、成长经历、口头禅全写进去，设定越具体人设就越立体。”

正解过度详细的人格设定反而让回应僵硬。Replika 的实践是人格底座只写四类关键信息：性格五维、背景一句话、说话风格、价值观边界——留出“呼吸感”，让语言模型在生成时有发挥空间。设定过于死板，就像老板背台词，每句话都按剧本走，听到的只有“正确”而没有“人味”。好的角色设计是“锚定”而非“捆死”。

为何常见：因为单方面觉得信息量越多越可控，忽略了对话体验的丰富性来自模型的泛化能力，而非一堆僵化的条条框框。

误区“大语言模型那么聪明，我和它聊过什么，它肯定都记着吧？不然怎么显得像老朋友？”

正解大语言模型本身没有记忆——每次对话都是“重新开始”。Replika 的“记得”其实是记忆系统显式工作的结果：重要信息被写入记忆库、按权重衰减、在下一次对话中检索出来再注入 Prompt。这份记忆还需要主动管理：情感浓度高、用户自我表露的内容优先记，琐碎日常不记；久不提及时权重衰减。如果不做这套显式记忆管理，AI 只会把每轮对话当成陌生人见面。

为何常见：因为大模型的对话流畅度产生了“它理解我”的错觉，人们天然会用人际关系的记忆模式去投射 AI，忽略了实现层的无状态本质。

误区“情感陪伴还不简单？把 GPT 接到微信机器人上，让用户和它聊天，这不就是 Replika 了吗？”

正解大模型只是引擎，Replika 的真正护城河是产品层设计：三层 Prompt 架构（系统级人格、会话级记忆、消息级情绪）、关系阶段管理、安全护栏、一致性校验。缺了这些，模型的能力再强也只会冒出一堆“情商在线但记性为零”的花式废话。就像深夜咖啡馆的核心竞争力不是咖啡机多贵，而是老板的经营之道——设备可以买到，信任感买不到。

为何常见：因为近几年大模型的效果展示太惊艳，让人误以为“智能”足以替代“设计”，忽略了在真实产品里体验质量来自精密的工程编排。

面试题

Q1. Replika 这款产品的核心价值定位是什么？

单选题 · easy

  • A.知识问答
  • B.心理陪伴← 正确答案
  • C.效率工具
  • D.休闲娱乐

答案：B。Replika 的核心是情感陪伴。它用“被理解感 × 可得性”的价值公式服务孤独、焦虑人群，而非解决知识获取或提高效率的问题。就像深夜咖啡馆卖的不是咖啡而是陪伴。

Q2. 以下哪种 Prompt 写法最能提升 AI 的共情质量？

单选题 · mid

  • A.直接命令式指令
  • B.角色浸润情景式← 正确答案
  • C.屏蔽用户的情感
  • D.急于给解决方案

答案：B。角色浸润情景式 Prompt（如“你是一位深夜咖啡馆老板，先感受用户情绪再回应”）让模型代入倾听者视角，配合情绪识别与策略选择，才是 Replika 式的共情设计。命令式指令只会产出复读机式安慰，屏蔽情感或急于给方案都不是共情。

Q3. 在 Replika 的记忆系统中，哪些信息适合写入长期记忆？

多选题 · hard

  • A.主动表露的细节← 正确答案
  • B.情绪强烈的经历← 正确答案
  • C.用户基本信息← 正确答案
  • D.日常网页浏览

答案：ABC。长期记忆的核心是“对关系有用”。主动表露的细节（如家庭情况）、情绪强烈的经历（如失恋）、用户基本信息（如生日职业）都值得存档；而日常网页浏览既不具备情感浓度，也不利于关系建立，属于噪音，不应写入。

Q4. 防止 AI 角色“崩人设”的核心手段是什么？

单选题 · hard

  • A.重组人格背景
  • B.固定人格底座← 正确答案
  • C.清空历史对话
  • D.调节温度参数

答案：B。固定人格底座（性格、背景故事、说话风格、价值观边界）写入系统级 Prompt，再配合余弦相似度一致性校验，是 Replika 守住人设的主要手段。重组人格会让角色不稳定，清空历史会失忆，调温度只影响随机性，都与一致性无关。

Q5. 在 Replika 的 Prompt 架构中，关系阶段标签应该放在哪一层？

单选题 · mid

  • A.系统级提示词← 正确答案
  • B.用户输入框
  • C.模型权重文件
  • D.历史聊天记录

答案：A。关系阶段是长期稳定的全局状态，属于“宪法级”设定，放入系统级 Prompt 才能持续约束每一轮对话的亲密度上限。用户输入框和聊天记录是动态数据，模型权重则是训练时决定的，都不适合放产品级状态。

Q6. 记忆管理流程包含以下哪些典型环节？

多选题 · mid

  • A.写入时机判断← 正确答案
  • B.相关性召回← 正确答案
  • C.权重衰减更新← 正确答案
  • D.画面渲染增强

答案：ABC。记忆管系统完整闭环是“写入（判断什么值得记）→ 提取（按当前消息召回相关记忆）→ 更新（旧记忆衰减、被提及时强化）”。画面渲染属于前端视觉范畴，与记忆系统无关。

Q7. 在深夜咖啡馆的比喻中，老板的“熟客档案本”对应 Replika 的哪个模块？

单选题 · easy

  • A.记忆系统← 正确答案
  • B.人格设置
  • C.用户界面
  • D.网络服务

答案：A。档案本记着顾客的口味偏好在情感事件对应的是 Replika 的三类记忆——事实记忆、情感记忆、偏好记忆，以及它们的写入与提取机制。人格设置对应老板的性格，用户界面和网络服务是基础设施。

Q8. 记忆更新公式 w_new = w_old × γ + α × r 中，当用户第 5 次提起“妈妈做的红烧肉”时，回忆相关度 r 的取值最可能是？

单选题 · extreme

  • A.比首次提及更高← 正确答案
  • B.比首次提及更低
  • C.与首次完全相等
  • D.恒为固定常数

答案：A。回忆相关度 r 衡量当前消息与记忆片段的匹配程度。第 5 次提起时，用户话语中往往包含更丰富的细节（“我妈做的那个红烧肉，上次我说要学来着”），与记忆的语义重叠度更高，r 值自然更大。这也解释了为什么反复提起的记忆权重会越滚越高、越来越容易被 AI“主动想起”。

Q9. 以下哪些属于 Replika 安全护栏的合理设计？

多选题 · hard

  • A.危机时转接热线← 正确答案
  • B.无底线顺应用户
  • C.强调AI身份边界← 正确答案
  • D.无限深入共情

答案：AC。安全护栏的宗旨是“在用户极端情境下保护用户、在伦理边界上保护产品”。危机时转接心理援助热线、适度强调 AI 身份（避免过度依赖），都是标准护栏做法。而无底线顺应和无限深入共情，可能加重用户心理风险，是设计上必须规避的。

Q10. 价值公式 V = U × A 中，A 代表“可得性”，下面哪个产品决策最能直接提升 A？

单选题 · easy

  • A.增强情绪识别
  • B.保证随时在线← 正确答案
  • C.丰富人格背景
  • D.增加记忆容量

答案：B。可得性指的是“用户想倾诉时 AI 一定在”，对应 7×24 小时在线、消息推送稳定、响应速度快等能力。情绪识别对应被理解感 U，人格背景和记忆容量更多影响 U 而非 A。深夜咖啡馆那盏永远亮着的灯，就是 A。