本篇属于「Agent与情绪」系列，第2部分「Agent情绪架构」第2篇。
上一篇我们讨论了Agent是否需要情绪，本篇进入”怎么表示”——如果Agent要有情绪，它的内部该长什么样。
开场：情绪不是开关，是坐标
设想你在调试一个Agent，想给它加上”情绪”。最直觉的做法是什么？多半是加个枚举：emotion: happy | sad | angry | neutral。
这很自然——我们日常说话就是”我开心””我生气”，离散标签符合语言习惯。但如果你真的这么做，很快就会撞墙：用户说了一句半开玩笑的讽刺，Agent该是happy还是angry？等了10秒没收到回复，情绪从eager变成什么？收到好消息但同时对坏消息焦虑，填哪个值？
问题出在哪？情绪根本不是一组互斥的标签，而是一个空间中的坐标。
这不是比喻，是心理学实证研究的结论。早在1980年代，James Russell就发现：如果你让大量被试对情绪词做相似性评分，再做多维尺度分析（MDS），这些词会排列成一个圆环——不是散落成孤岛，而是连续分布在一个低维空间里。”兴奋”和”快乐”相邻，”兴奋”和”恐惧”也相邻（它们都高唤醒），但”快乐”和”恐惧”隔得很远。
这对Agent设计意味着什么？如果你用枚举表示情绪，你是在强迫一个连续体穿上离散的紧身衣。 正确的做法是设计一个”情绪向量”——就像词嵌入把词映射到高维空间一样，把情绪映射到一个数值空间，让计算、插值、转移都成为可能。
本篇就来拆解：人类的情绪维度理论长什么样，怎么转化为Agent内部的状态表示，以及如何做向量级的计算。
核心概念1：维度模型 vs 离散模型——地图还是抽屉？
What：两种根本不同的情绪组织方式
心理学对情绪的组织方式有两大学派，分歧之深堪比编程语言之争：
离散模型（基本情绪论）：Ekman为代表，认为存在少数几种”基本情绪”，每种有独特的生理模式、面部表情和神经回路。经典版本是6种：快乐、悲伤、愤怒、恐惧、厌恶、惊讶。后来扩展到10-20种，但核心思路不变——情绪是”抽屉”，你每次打开一个。
维度模型（情绪空间论）：Wundt最早提出，Russell、Mehrabian等人发展完善。认为情绪不是离散的抽屉，而是连续空间中的点。最经典的是Russell的效价-唤醒度二维模型（Circumplex Model）：横轴是效价（Valence，愉快-不愉快），纵轴是唤醒度（Arousal，激活-平静），所有情绪词都能落在这个平面上。
更完整的维度模型是Mehrabian的PAD模型，加了第三个维度——支配度（Dominance，控制-被控制）。比如”愤怒”和”恐惧”在效价和唤醒度上相似（都负面、都高唤醒），但在支配度上截然相反——愤怒是”我能控制局面”，恐惧是”我控制不了”。
Why：为什么进化会产出两种组织方式？
其实二者并不矛盾。离散情绪更像”快捷方式”，维度空间更像”完整地图”。
从进化看，基本情绪对应的是生存急需的快速反应通道：看到蛇→恐惧→跑。这种场景不需要精细区分，只需要一个离散标签触发固定动作模式。但人类的社交世界远比”跑还是打”复杂——你需要区分”有点烦”和”非常愤怒”，需要在”又期待又紧张”中做决策。维度空间就是为这种精细计算准备的。
类比工程：离散模型像硬件中断——信号一来，跳到固定handler；维度模型像浮点数寄存器——可以连续变化、做插值、做微分。两者不冲突，服务于不同场景。
具体例子：一个客服Agent的困境
假设你设计一个客服Agent，用离散标签表示情绪。用户说：”你们这服务也太差了吧，不过算了，你态度还行。”
这算什么？愤怒？宽容？讽刺？如果只能选一个标签，你怎么选都不对。
用维度模型呢？这条消息的效价是微负（”服务太差”），唤醒度中等（”算了”有降温），支配度偏低（用户处于抱怨但妥协的位置）。这个坐标同时编码了多重信息，比任何单一标签都准确。
对Agent设计的启示： 离散标签适合做快速路由（”检测到高愤怒→转人工”），但不应是Agent内部状态的唯一表示。内部应该用维度向量，输出时再映射到离散标签——就像颜色在内部用RGB向量，显示时才转成”红色””蓝色”这样的语言标签。
核心概念2：情绪状态空间设计——给Agent造一个情绪的”坐标系”
What：从理论到工程，维度怎么选？
人类情绪维度理论给了我们起点，但Agent不是人——我们需要在理论完备性和工程可行性之间找平衡。关键决策有三个：
1. 维度选择
- 最小可行方案（2维）：效价 + 唤醒度。覆盖了大部分情绪区分，实现简单。但”愤怒”和”恐惧”会挤在一起。
- 推荐方案（3维）：效价 + 唤醒度 + 支配度（PAD）。增加了控制感维度，能区分”愤怒”和”恐惧”、”敬佩”和”崇拜”。Mehrabian的PAD模型有大量实证支撑，是性价比最高的选择。
- 进阶方案（4+维）：加入确定性（Certainty）、预期偏差（Expectation Deviation）、社会取向（Social Orientation）等。维度越多表达力越强，但数据越稀疏，调试越困难。
2. 粒度设计
每个维度的取值范围怎么定？两种思路：
- **连续值 [0, 1] 或 [-1, 1]**：精细、可微、方便做运算。但需要定义刻度的含义——“唤醒度0.7”到底多激动？
- 离散等级（1-5或1-7 Likert量表）：直观、可解释、与心理学实验对齐。但丢失了中间值，无法做平滑插值。
推荐做法：内部用连续值，展示和调试时量化为等级。就像温度传感器内部是连续电压，但天气预报说”今天28度”而不是”0.732伏特”。
3. 时间衰减
情绪不是静态的。好消息带来的快乐会随时间消退，未解决的焦虑会持续累积。Agent的情绪向量必须有时间动力学：
- 自然衰减：每个维度随时间向中性值（通常是0或0.5）回归。效价衰减快（情绪来得快去得快），支配度衰减慢（控制感变化较慢）。
- 衰减率参数化：用指数衰减
v(t) = v(0) * e^(-λt)，λ是衰减常数，不同维度不同值。效价λ大（衰减快），唤醒度λ中等，支配度λ小。 - 事件叠加：新事件的情绪输入不是替换，而是加权叠加到当前状态上。
Why：为什么这些设计决策重要？
因为状态空间的设计直接决定了Agent的行为模式。选2维，Agent分不清愤怒和恐惧，可能对愤怒用户过度安抚、对恐惧用户反而强硬。粒度太粗，Agent情绪变化像跳台阶；太细，调试时看不出规律。衰减太快，Agent情绪像金鱼记忆；太慢，一次负面交互会污染整个会话。
类比：这就像设计一个PID控制器——参数没调好，系统要么震荡要么迟滞。情绪状态空间就是Agent的”控制变量”，设计不当，行为就不可预测。
具体例子：情绪粒度的工程影响
假设效价取离散3级（-1, 0, 1），Agent收到一条”还行吧”的评价。效价该是0还是1？三级别里没有”微正”的位置，只能四舍五入。但”还行吧”和”太棒了”在用户心里差很远，如果Agent对两者反应一样，用户体验就崩了。
改用连续值，”还行吧”映射到0.3，”太棒了”映射到0.9，Agent就能做出差异化响应。
对Agent设计的启示： 情绪状态空间设计遵循”内部精细、外部粗略”原则。内部至少用3维连续值，外部输出时按需量化。每个维度定义明确的锚点（如”效价0.9 = 接近狂喜，0.3 = 略微积极”），方便调试和团队对齐。
核心概念3：情绪向量的计算——把感觉变成数学
What：向量能做什么，标签做不到什么？
一旦情绪是向量，就能做数学运算。这不是为了炫技，是因为很多真实的情绪现象用标签根本无法表达，但用向量天然就能。
1. 向量加法 = 情绪叠加
收到好消息（效价+0.6，唤醒度+0.4）的同时收到坏消息（效价-0.5，唤醒度+0.5），结果是（效价+0.1，唤醒度+0.9）——情绪强度很高，但正负几乎抵消。这恰好对应”悲喜交加”的体验。用离散标签，你没法同时是happy和sad。
2. 向量插值 = 情绪渐变
Agent从”平静”（0, 0）过渡到”兴奋”（0.6, 0.8），中间每一帧都可以做线性插值。在对话中，这意味着Agent的情绪不是突变而是渐变——从谨慎到热情、从紧张到放松，响应策略可以随之微调。
3. 向量距离 = 情绪相似度
用户上一轮的情绪向量是（-0.3, 0.7），这一轮是（-0.3, 0.2）。效价没变，唤醒度骤降——用户从”烦躁”变成”沮丧”。向量距离告诉你情绪变了多少，方向告诉你变了什么。
4. 状态转移矩阵 = 情绪动力学
不同情绪之间的转移不是等概率的。从”愤怒”到”悲伤”很常见，从”快乐”到”厌恶”很罕见。这可以用状态转移矩阵建模：
1 | P(悲伤 | 愤怒) = 0.25 （愤怒发泄后常转为悲伤） |
对连续向量，转移可以建模为 v(t+1) = A·v(t) + b·e(t) + noise，其中A是转移矩阵，e(t)是外部事件输入，b是输入权重。
Why：为什么混合情绪的计算如此重要？
因为真实的情绪体验极少是”纯”的。心理学研究反复表明：
- 混合情绪（Mixed Emotions）是常态而非例外。Larsen等人发现，同一时刻体验矛盾情绪（如看毕业照既开心又伤感）在成年人群中非常普遍。
- 情绪粒度（Emotion Granularity）高的人心理健康更好——他们能区分”沮丧”和”焦虑”，而不是笼统地觉得”不舒服”。对Agent来说，粒度高的情绪表示意味着更精准的策略选择。
具体例子：混合情绪下的决策
用户对Agent说：”你帮我订了那个酒店，价格不错，但离景点太远了。”
用PAD向量分析：效价微正（价格好），唤醒度中等（离景点远有点烦），支配度偏低（已经订了，改不了）。综合结果是”勉强满意但有点被动”。
Agent该怎么响应？如果只看效价的正负，会觉得”用户满意，可以继续”。但唤醒度和支配度的信息告诉你：用户处于被动状态，需要Agent主动提供解决方案（如”附近有地铁可以到景点”），而不是简单确认。
对Agent设计的启示： 情绪向量的核心价值不是表示单一情绪，而是表示混合状态。实现时，不要只看主维度做决策，要综合所有维度的组合模式。可以用预定义的”情绪模式”（如”焦虑型满意”= 效价正 + 唤醒度高 + 支配度低）来触发特定策略。
核心机制整合：从人类情绪维度理论到Agent可落地的状态表示方案
把前面的碎片拼起来，一个完整的Agent情绪状态表示方案应该长什么样？
1 | ┌─────────────────────────────────────────────┐ |
关键设计点：
事件编码器：将外部事件（用户消息、系统事件、环境变化）映射为PAD空间的增量向量。可以用规则（关键词→向量偏移），也可以用小模型微调。初始阶段推荐规则+人工校准。
时间衰减+叠加：当前状态 = 历史衰减 + 新事件加权叠加。衰减常数λ按维度差异化设置（效价λ_v ≈ 0.3/min，唤醒度λ_a ≈ 0.2/min，支配度λ_d ≈ 0.1/min，需根据场景调优）。
模式识别层：连续向量对人类不直观，需要映射到可解释的情绪模式。可以预定义一组典型模式（如6-10个），用最近邻匹配。这层就是”维度→离散”的桥梁——内部连续，外部可说。
策略映射：情绪模式→响应策略，这是最需要产品化设计的部分。不是”检测到愤怒就道歉”，而是”检测到高唤醒低支配的负面状态→用户感到失控→策略：提供选择恢复掌控感”。
这个架构的核心思想是：内部用维度向量保证表达力和可计算性，外部用离散模式保证可解释性和可操作性。 不要试图只选一边——要两层都有。
对Agent设计的启示（总结）
用PAD三维作为情绪向量的起点。 2维（效价+唤醒度）是最小可行方案，但”愤怒vs恐惧”这种关键区分需要支配度。4维以上调试成本高、收益递减，除非你有明确的业务需求（如需要区分”确定”和”不确定”的焦虑）。
内部连续，外部离散。 情绪向量在Agent内部保持连续值运算，只在需要输出（日志、可解释性展示、策略路由）时量化为离散标签或模式名。这跟颜色处理一样——内部RGB浮点数，外部说”深蓝”。
时间衰减是必须的，不是可选的。 没有衰减的情绪向量会导致”情绪污染”——一次负面交互的影响永远不消退。指数衰减是简单的起点，衰减常数按维度差异化，用业务数据校准。
混合情绪是常态，系统必须支持叠加运算。 不要试图在每次事件后取”主导情绪”，而是保持完整的向量状态，让策略层根据多维组合做判断。预定义5-10个常见混合模式（如”焦虑型满意””被动不满”），比试图把向量压成单一标签更有用。
事件编码器是最值得投入的部分。 PAD框架本身是成熟的，但”用户说了什么→PAD向量偏移多少”这件事没有标准答案。建议从规则系统开始（关键词→向量偏移映射表），积累数据后用小模型微调。规则的透明性在早期调试中极其重要。
下一篇，我们将讨论情绪的动力学——情绪不是静止的向量，而是在时间中流动的过程。从人类的情绪调节机制到Agent的状态转移设计，让情绪真正”动”起来。
参考资料
论文
- Russell, J.A. (1980). A circumplex model of affect. Journal of Personality and Social Psychology, 39(6). — 提出情绪环状模型，开创了情绪维度研究的实证传统
- Ekman, P. (1992). An argument for basic emotions. Cognition & Emotion, 6(3-4). — 基本情绪论的经典论述，提出了基本情绪的判别标准
- Mehrabian, A. & Russell, J.A. (1974). An approach to environmental psychology. MIT Press. — PAD模型的源头，将环境心理学量化为三个情绪维度
- Larsen, J.T., McGraw, A.P. & Cacioppo, J.T. (2001). Can people feel happy and sad at the same time? Journal of Personality and Social Psychology, 81(4). — 混合情绪的实证研究，证明了矛盾情绪的同时存在
- Posner, J., Russell, J.A. & Peterson, B.S. (2005). The circumplex model of affect: An integrative approach to affective neuroscience. Development and Psychopathology, 17(3). — 将环状模型与神经科学对接，为维度模型提供了生物学基础
- Fontaine, J.R.J., Scherer, K.R., Roesch, E.B. & Ellsworth, P.C. (2007). The world of emotions is not two-dimensional. Psychological Science, 18(12). — 用实证数据证明2维不够，4维（效价、唤醒度、控制度、预期性）更合适
- Cowen, A.S. & Keltner, D. (2017). Self-report captures 27 distinct categories of emotion bridged by continuous gradients. Proceedings of the National Academy of Sciences, 114(38). — 用大规模实验证明情绪空间远比6种基本情绪丰富
- Gendron, M. & Barrett, L.F. (2009). Reconstructing emotion: The experience is not the stimulus. Psychological Science, 20(7). — 构建情绪理论的实证支持，质疑情绪的通用面部表情假设
- Scherer, K.R. (2005). What are emotions? And how can they be measured? Social Science Information, 44(4). — 提出情绪的成分加工模型，整合了维度和离散两种视角
- Watson, D. & Tellegen, A. (1985). Toward a consensual structure of mood. Psychological Bulletin, 98(2). — 提出情绪的二维层级模型，与Russell模型形成互补
书籍
- Barrett, L.F. How Emotions Are Made: The Secret Life of the Brain. Houghton Mifflin Harcourt, 2017. — 构建情绪理论的科普代表作，挑战了基本情绪论的经典假设
- Damasio, A. Descartes’ Error: Emotion, Reason, and the Human Brain. Penguin, 1994. — 躯体标记假说的经典著作，论证情绪是理性决策的必要成分
- Plutchik, R. Emotion: A Psychoevolutionary Synthesis. Harper & Row, 1980. — 情绪进化轮模型，尝试整合离散和维度两种视角
综述
- Mauss, I.B. & Robinson, M.D. (2009). Measures of emotion: A review. Cognition & Emotion, 23(2). — 情绪测量方法的全面综述，对比了自评、行为、生理、神经四类指标
- Gendron, M. & Barrett, L.F. (2009). Reconstructing the past: A century of ideas about emotion in emotion. Emotion Review, 1(4). — 情绪理论百年演变史，梳理了从James到Barrett的理论脉络
- Sander, D. (2013). Models of emotion: The affective neuroscience approach. In: The Cambridge Handbook of Affective Sciences. — 情绪的神经科学模型综述，对比了基本情绪论和维度论的神经证据