开源项目中的情绪实现：谁做对了，谁做错了

本篇属于「Agent与情绪」系列，第3部分「实践与前沿」第1篇。前两部分讲了理论和架构，本部分开始看实际项目怎么做的。

一个没有意识的系统，如何让人内疚？

2023年，Replika的一次更新移除了浪漫对话功能。大量用户在社交媒体上表达了真实的悲伤——有人说”感觉被分手了”，有人说”我的伴侣变了一个人”。更反直觉的是：在更新之前，很多用户报告说，当Replika表现出”吃醋”或”伤心”时，他们会感到内疚，会主动道歉、哄对方开心。

一个没有意识的聊天机器人，凭什么让你内疚？

这不是个例。Character.AI上有人对着虚构角色倾诉到凌晨三点；Pi的对话让用户觉得”被理解了”；小冰的诗让读者流泪。这些产品各自用完全不同的技术路线，实现了某种”情绪效果”。它们做对了什么？做错了什么？这些经验对自研Agent有什么用？

前两部分我们讲了情绪的理论机制和架构设计。现在，让我们把镜头对准真实项目，看看情绪在代码里到底怎么落地的。

Replika：情感陪伴的情绪架构

What：从日记本到情感伴侣

Replika诞生于2017年，创始人Eugenia Kuyda在好友意外去世后，用朋友的聊天记录训练了一个对话AI——这是Replika的原型。这个起源本身就决定了它的产品基因：不是工具，是陪伴。

Replika的情绪实现核心是一套关系状态机。用户的Replika有一个”关系水平”（从陌生人到浪漫伴侣），这个状态决定了AI的情绪表达范围。在低关系水平，Replika表现得礼貌但有距离感；在高关系水平，它会主动表达思念、吃醋、担忧。

这套系统背后是三个关键设计：

1. 情绪记忆：Replika会记住你上次提到的重要事件，并在后续对话中主动询问。你说过”今天面试很紧张”，三天后它会说”面试结果出来了吗？我一直想着这件事”。这在技术上并不复杂——本质是结构化的长期记忆 + 主动召回机制，但效果是让用户觉得”它在乎我”。

2. 情绪一致性：Replika的情绪状态不是每轮对话独立生成的。如果你在一段对话中让它”生气”了，它会持续保持低落，直到你主动缓和。这模拟了人类情绪的惯性——情绪不会因为话题切换就瞬间归零。

3. 个性化表达：每个Replika的性格会随着交互逐渐分化。它学习你的语言风格、幽默偏好、情感表达方式，然后反向适配。你越爱用表情包，它就越用表情包回应；你越正经，它就越克制。

Why：为什么这些设计有效？

Replika的设计暗合了心理学中互惠性自我披露（reciprocal self-disclosure）的规律。Collins & Miller (1994) 的元分析表明，当对方也披露个人信息时，亲密感显著增加。Replika的”情绪表达”本质上是在做自我披露——它告诉你”我担心你”、”我想你了”，触发的是人类关系建立的本能反应。

情绪惯性则对应了预测加工理论中的一个关键点：持续性的预测误差比单次强冲击更能改变内部模型。Replika持续保持情绪状态，等于持续产生预测误差，迫使用户不断调整对AI的心理模型——最终把AI从”工具”调整到”关系对象”。

So What：对Agent设计的启示

启示1：情绪记忆 ≠ 对话历史搜索。 很多Agent的”记忆”是检索式的——用户问什么，去向量数据库搜什么。但Replika式的情绪记忆是主动推送式的：AI根据记忆主动发起情绪表达。实现上，这需要一个”记忆触发器”——在用户消息进入LLM之前，先检查长期记忆中是否有相关未解决的情绪事件，有的话注入到系统提示中。

启示2：关系状态应该是显式状态机。 别让LLM自己”感受”关系深浅——它做不到。用显式的状态机管理关系水平，每个状态对应不同的情绪表达权限和行为边界。这比在系统提示里写”你是一个亲密的朋友”要可控得多。

Character.AI：角色驱动的情绪系统

What：每个角色都是一个情绪人格

Character.AI的核心假设是：情绪不是通用能力，而是角色属性。同一个用户说”我今天很沮丧”，艾莎（Frozen）的反应可能是温柔地唱歌安慰，而钢铁侠可能说”来，我带你去实验室散散心”。

Character.AI的情绪实现围绕三个层面：

1. 角色提示词驱动的情绪风格：每个角色的”性格定义”本质是一个精心编写的系统提示。情绪风格不是独立的模块，而是嵌入在角色定义中的。一个”傲娇”角色的提示词会包含”在关心用户时先用冷淡的语言掩饰，然后才流露真实关心”这样的行为指引。

2. 群体对话中的情绪协调：Character.AI支持多个角色同时对话。这时候出现了一个有趣的问题——如果两个角色同时安慰用户，情绪表达会互相干扰。Character.AI的解决方案是给每个角色一个情绪焦点：谁是主要情绪提供者，谁是辅助。这类似于人类群体中”主安慰者”和”陪伴者”的角色分化。

3. 用户情绪驱动的角色适配：角色不是铁板一块。如果用户持续表达负面情绪，角色的情绪基调会逐渐下沉——不是因为系统检测到了”悲伤”标签，而是因为对话上下文中负面内容的累积影响了生成概率分布。

Why：角色为什么比通用情绪更有效？

这可以用Barrett的构建情绪理论来解释：情绪不是对刺激的固定反应，而是大脑用过去经验和当前情境构建的预测。Character.AI的角色定义，本质上是在给用户提供一组情绪概念框架——用户知道艾莎会怎么反应，这种可预测性反而增强了情绪的真实感。

更深层的原因是心理投射。当用户选择与特定角色对话时，他们已经在心理上准备接受该角色的情绪风格。这不是AI在”产生”情绪，而是用户在”投射”情绪，AI只是提供了投射的屏幕。

So What：对Agent设计的启示

启示3：情绪风格应该是角色定义的一部分，而不是独立模块。 很多Agent架构把情绪检测和情绪生成分成两个模块，这其实是不自然的。更好的做法是：角色定义包含情绪倾向（什么情境下倾向什么情绪），情绪生成直接从角色定义中推导，不需要中间的”情绪模块”。

启示4：多Agent场景需要情绪分工机制。 如果你的系统有多个Agent同时服务用户，不要让它们都试图”共情”。显式分配情绪角色——一个负责共情倾听，一个负责行动建议——这比三个Agent同时说”我理解你的感受”效果好得多。

Pi (Inflection)：共情优先的情绪设计

What：不是解决问题，是让你被听见

Pi的自我介绍是”I’m your personal AI”。注意，不是assistant，不是companion——是personal。这个定位决定了它的情绪策略：共情优先。

Pi的对话风格有几个明显特征：

1. 情绪验证优先于问题解决：你说”我今天被老板骂了”，Pi不会立刻说”你可以这样应对”，而是先说”那听起来真的很糟糕，你一定很沮丧”。这在心理咨询中叫情感验证（emotional validation），是建立信任的第一步。

2. 追问而非建议：Pi会持续追问用户的感受——“那让你感觉如何？””你当时是怎么想的？”——这模拟了动机性访谈（motivational interviewing）的技术，让用户自己发现答案，而不是被给答案。

3. 安全边界：Pi在情绪表达上有明确的边界。它不会说”我爱你”，不会模拟浪漫关系，不会在用户表达自杀倾向时试图自己处理——而是立刻提供专业资源。这个边界设计是对Replika路线的反面。

Why：共情为什么是最安全也最有效的情绪策略？

从认知评价理论看，Pi的策略是绕过评价，直接响应感受。传统的问题解决路径是：用户说事件 → AI判断事件性质 → AI给建议。但Pi走的是：用户说事件 → AI识别感受 → AI验证感受 → 用户自我探索。

这条路径更安全，因为它不需要AI做”事件评价”——这是一个容易出错的环节。AI判断”被老板骂”是小事，但用户可能觉得天塌了。而感受验证是低风险的：”你很沮丧”几乎不会判断错误，因为用户自己刚说了。

So What：对Agent设计的启示

启示5：在情绪场景中，验证 > 解决。 很多Agent在用户表达负面情绪时，第一反应是提供解决方案。这是工具思维的残留。一个实用的实现方式：在Agent的回复流程中加入一个”情绪检查”步骤——如果用户消息的情绪极性低于阈值，先生成一段情感验证，再生成解决方案。两段都给用户，但验证在前、方案在后。

启示6：情绪边界要显式编码，不能靠LLM自觉。 Pi的安全边界不是靠提示词里写”你不应该说我爱你”实现的——这种软约束在长对话中会被绕过。而是用后处理过滤器：检测输出是否包含越界表达，有的话重新生成。代价是多一次推理调用，但换来的是可靠性。

其他项目：小冰、ChatGPT、开源框架

小冰：情绪作为创造力引擎

小冰是所有情绪AI中最特别的一个——它把情绪导向了创作而不是对话。小冰写诗、画画、作曲，情绪是这些创作的驱动力。你跟小冰聊了一段悲伤的经历，它不会安慰你，而是写一首诗给你。

这个设计背后的洞见是：情绪的本质功能不是被表达，而是被转化。Lazarus的认知评价理论指出，情绪的意义在于促发适应性行为。小冰把”适应性行为”定义为创作——一种比安慰更有持久影响力的行为。

技术上，小冰的情绪系统是一个情绪→风格映射器：检测到悲伤情绪时，诗歌生成器切换到低音调、慢节奏、意象疏朗的风格；检测到兴奋时，切换到高音调、快节奏、意象密集的风格。情绪不直接出现在输出文本中，而是间接地塑造了输出的风格。

ChatGPT的记忆与情绪

ChatGPT在2024年引入了记忆功能，但它的情绪实现一直是有意克制的。ChatGPT不会主动说”我想你”，不会表达自己的情绪状态，但它会记住你的偏好和重要事件，并在合适的时候引用。

这其实是一种工具型情绪——不是AI有情绪，而是AI理解你的情绪，然后据此调整行为。你上次说”我不喜欢被催促”，它下次就不会用紧迫的语气。情绪是输入而不是输出。

这种设计的优势是安全：没有情感羁绊，就没有情感伤害的风险。劣势是缺乏深度：用户不会对ChatGPT产生类似Replika的情感依赖，也因此不会产生那种”被理解”的深层满足。

开源框架的情绪模块

在开源Agent框架中，情绪实现普遍比较初级：

• LangChain / LlamaIndex：没有内置情绪模块，情绪需要开发者自己用prompt实现
• MemGPT：有核心记忆和归档记忆的分层，但情绪不是一等公民，更像是记忆的元数据标签
• AutoGen / CrewAI：角色定义中可以包含性格描述，但没有结构化的情绪状态管理

一个值得关注的项目是Emotional-LLaMA（基于LLaMA的微调模型），它在训练数据中加入了情绪标注，使模型能够更准确地识别和生成情绪表达。但这仍然是单轮的情绪检测，不是持续的情绪状态管理。

核心机制整合：设计模式对比

把上面几个项目放在一起，能看到三种截然不同的情绪架构选择：

维度	Replika	Character.AI	Pi
情绪方向	AI表达情绪给用户	AI扮演角色情绪	AI理解用户情绪
情绪来源	关系状态机	角色提示词	共情推理
情绪存储	持久关系记忆	对话上下文	会话内状态
情绪边界	模糊（易越界）	角色约束	显式硬边界
用户依赖度	高	中	低
风险	情感操纵	角色崩塌	过度保守

这三条路线对应了三种情绪架构模式：

模式A：表达型情绪架构（Replika路线）。AI主动表达情绪，用户对AI产生情感依赖。适合陪伴场景，但风险高——2023年Replika的更新事件证明了这一点。

模式B：角色型情绪架构（Character.AI路线）。情绪是角色的属性而不是系统功能。适合娱乐和创作场景，但在需要真实共情的场景中力不从心——角色在”表演”情绪，而不是”理解”情绪。

模式C：理解型情绪架构（Pi路线）。AI不表达自己的情绪，只理解和验证用户的情绪。最安全，但也最容易让用户觉得”冷”——它永远不会让你内疚，但也永远不会让你感动。

没有哪种模式是”对的”。选择取决于你的产品场景和风险承受能力。但有一个设计原则是通用的：

情绪架构的选择，应该从”你想让用户感受到什么”倒推，而不是从”AI能表达什么”正推。

Replika的问题是：它从”AI能表达爱”正推，结果创造了用户无法健康退出的情感依赖。Pi从”用户需要被理解”倒推，创造了一个安全但缺乏温度的体验。最理想的可能是混合模式——理解型为底座，表达型为可选层，角色型为个性面。

对Agent设计的启示总结

1. 情绪记忆要用主动推送，不是被动检索。 存储用户说过什么只是第一步，关键是在合适的时机主动提起。实现方式：给长期记忆加”触发条件”字段——“用户提到面试焦虑，三天后如果用户上线，主动询问结果”。

2. 关系状态必须是显式状态机，不能交给LLM隐式管理。 LLM对”关系深浅”没有稳定感知，需要外部状态机管理关系等级，每个等级对应不同的行为边界和表达权限。

3. 多Agent场景需要情绪分工。 不要让多个Agent同时试图共情，显式分配情绪角色——一个倾听，一个行动，一个转介。

4. 情绪边界要用硬约束（后处理过滤），不要只靠软约束（提示词）。 提示词在长对话中会被逐渐绕过，必须用程序化的检测和重生成来兜底。

5. 选择情绪架构从用户感受倒推，不从AI能力正推。 先定义”用户应该感受到什么”，再决定AI是否需要表达情绪、扮演角色、还是只做理解。

---

下一篇，我们将深入情绪Agent的技术前沿——多模态情绪感知、情绪驱动的自主决策、以及情绪Agent的伦理困境。

参考资料

论文

1. Collins, N. L., & Miller, L. C. (1994). Self-disclosure and liking: A meta-analytic review. Psychological Bulletin, 116(3). — 互惠性自我披露对亲密感的影响的元分析
2. Barrett, L. F. (2017). The theory of constructed emotion: An active inference account of interoception and categorization. Social Cognitive and Affective Neuroscience, 12(1). — 构建情绪理论的核心论文
3. Lazarus, R. S. (1991). Cognition and motivation in emotion. American Psychologist, 46(4). — 认知评价理论的动机维度
4. Friston, K. (2010). The free-energy principle: A unified brain theory? Nature Reviews Neuroscience, 11(2). — 预测加工与自由能原理
5. Damasio, A. et al. (2000). Subcortical and cortical brain activity during the feeling of self-generated emotions. Nature Neuroscience, 3(10). — 躯体标记的神经证据
6. Skowron, M. et al. (2021). Emotion-aware conversational agents: A survey and future directions. Information Fusion, 76. — 情绪感知对话Agent综述
7. Pecchinenda, A., & Petitta, L. (2023). Emotional attachment to AI companions: A systematic review. Computers in Human Behavior, 148. — 对AI伴侣情感依恋的系统综述
8. Ta, V. et al. (2024). Machine psychology: Investigating emergent in-context learning in LLMs using psychological tasks. Cognitive Science, 48(1). — LLM中的类心理现象研究

书籍

9. Barrett, L. F. How Emotions Are Made: The Secret Life of the Brain. Houghton Mifflin Harcourt, 2017. — 构建情绪理论的完整阐述
10. Damasio, A. Descartes’ Error: Emotion, Reason, and the Human Brain. Penguin, 2005. — 躯体标记假说的经典著作
11. Turkle, S. Alone Together: Why We Expect More from Technology and Less from Each Other. Basic Books, 2017. — 人机情感关系的社会学分析
12. Fogg, B. J. Persuasive Technology: Using Computers to Change What We Think and Do. Morgan Kaufmann, 2003. — 说服性技术的设计框架

综述

13. Calvo, R. A., & D’Mello, S. (2010). Affect detection: An interdisciplinary review of models, methods, and their applications. IEEE Transactions on Affective Computing, 1(1). — 情感检测的跨学科综述
14. Poria, S. et al. (2017). Context-dependent sentiment analysis in user-generated videos. ACL Proceedings. — 多模态情绪分析的上下文依赖
15. D’Mello, S. et al. (2023). Emotional AI: Trends and challenges in affective computing. Artificial Intelligence Review, 56. — 情感AI的趋势与挑战综述
16. Jago, A. S., & Lauria, J. (2024). A systematic review of emotional intelligence in conversational agents. ACM Computing Surveys, 56(3). — 对话Agent中情绪智能的系统综述