摘 要：［目的/意義］本文通過(guò)系統(tǒng)性梳理智能體角色建模領(lǐng)域研究文獻(xiàn)，解構(gòu)復(fù)雜應(yīng)用場(chǎng)景中人機(jī)協(xié)同機(jī)制，為實(shí)現(xiàn)智能體設(shè)計(jì)范式的迭代升級(jí)提供理論依據(jù)。［方法/過(guò)程］采用元綜合方法，對(duì)嚴(yán)格篩選獲得的89篇中英文文獻(xiàn)進(jìn)行編碼分析，從角色需求、角色創(chuàng)建、角色交互3個(gè)維度解構(gòu)智能Agent情境適應(yīng)性角色扮演的研究脈絡(luò)。［結(jié)果/結(jié)論］從人智交互和情境適應(yīng)性設(shè)計(jì)的情報(bào)學(xué)綜合視角，提出“需求定義邊界（What）→技術(shù)實(shí)現(xiàn)構(gòu)想（How）→機(jī)制驗(yàn)證價(jià)值（Why）”3層框架。其中，“需求定義邊界”分析角色需求，驅(qū)動(dòng)技術(shù)選型；“技術(shù)實(shí)現(xiàn)構(gòu)想”聚焦角色創(chuàng)建與個(gè)性化設(shè)計(jì)，將需求轉(zhuǎn)化為可執(zhí)行模型；“機(jī)制驗(yàn)證價(jià)值”探討角色交互機(jī)制，生成反饋數(shù)據(jù)回流至需求層。盡管現(xiàn)有技術(shù)在情感理解、語(yǔ)境分析和多模態(tài)交互方面有所進(jìn)展，但目前智能Agent存在記憶受限、角色幻覺、角色翻轉(zhuǎn)等局限。未來(lái)研究應(yīng)圍繞這三層機(jī)制的深度融合展開，推動(dòng)記憶擴(kuò)容、角色對(duì)齊、隱私保護(hù)等方面的創(chuàng)新，進(jìn)一步推動(dòng)智能Agent普及應(yīng)用。

關(guān)鍵詞：智能Agent；情境適應(yīng)；角色扮演；元綜合；人智交互

DOI：10.3969/j.issn.1008-0821.2025.08.013

〔中圖分類號(hào)〕G252.0 〔文獻(xiàn)標(biāo)識(shí)碼〕A 〔文章編號(hào)〕1008-0821（2025）08-0163-15

A Meta-Synthesis Study on Situational Adaptability

Role-Playing of Intelligent Agent

Li Huafeng1* Zhao Zihui1 Sun Xiaoning1 Yuan Qinjian2

（1.School of Information，Shanxi University of Finance amp; Economics，Taiyuan 030006，China;

2.School of Information Management，Nanjing University，Nanjing 210023，China）

Abstract：［Purpose/Significance］By systematically reviewing the research literature in the field of intelligent agent role modeling，this paper deconstructs the mechanisms of human-machine collaboration in complex application scenarios，providing theoretical support for the iterative upgrade of intelligent agent design paradigms.［Method/Process］The study employed a meta-synthesis approach to conduct coding analysis on 89 carefully selected Chinese and English literatures，deconstructed the research context of intelligent agents situational adaptability from three dimensions：role requirements，role creation，and role interaction.［Result/Conclusion］From an integrated perspective of human-ai interaction and situational adaptability design，this paper proposes a three-layer framework：“requirement-defined boundaries（What）→technical implementation concepts（How）→mechanism validation value（Why）”.“Requirement-defined boundaries”analyzes role requirements and drives technology selection;“Technical implementation concepts”focus on role creation and personalized design，transforming needs into executable models;“Mechanism validation value”explores role interaction mechanisms，generating feedback data that flows back to the requirement layer.Despite progress in emotional understanding，contextual analysis，and multimodal interaction，current intelligent agents suffer from limitations such as memory constraints，role hallucinations，and role reversals.Future research should center on the deep integration of these three layers of mechanisms，promoting innovations in memory expansion，role alignment，privacy protection，and further advancing the widespread application of intelligent agents.

Key words：intelligent agent;contextual adaptation;role-playing;meta-synthesis;human-ai interaction

隨著新一代信息技術(shù)的快速發(fā)展，智能Agent作為一種能夠執(zhí)行特定任務(wù)并與用戶進(jìn)行交互的智能系統(tǒng)，已經(jīng)在多個(gè)領(lǐng)域得到了廣泛應(yīng)用。小到個(gè)性化推薦、語(yǔ)音助手、在線客服，大到無(wú)人駕駛、醫(yī)療診斷、智能教育，智能Agent正以其日益增強(qiáng)的情境適應(yīng)能力對(duì)社會(huì)產(chǎn)生深刻影響，許多人已經(jīng)習(xí)慣參考并采納智能Agent扮演的角色。2022年11月，OpenAI發(fā)布的ChatGPT進(jìn)一步提升了智能Agent角色扮演能力［1-2］，以其靈活的角色切換與情境適應(yīng)能力重新定義了人機(jī)交互的應(yīng)用場(chǎng)景?；诖?，近年來(lái)，許多研究機(jī)構(gòu)圍繞智能Agent的情境適應(yīng)性角色扮演展開了深入探索。例如，清華大學(xué)CoAI實(shí)驗(yàn)室攜手聆心智能開發(fā)了CharacterGLM模型、北京大學(xué)多智能體研究中心從產(chǎn)業(yè)、社會(huì)、文明3個(gè)方向開展智能體實(shí)踐與落地應(yīng)用研究，致力于推動(dòng)人工智能技術(shù)在復(fù)雜場(chǎng)景中的應(yīng)用，提升智能技術(shù)在多任務(wù)、多模態(tài)場(chǎng)景中的表現(xiàn)能力。與此同時(shí)，實(shí)踐應(yīng)用層面，國(guó)內(nèi)外多家公司紛紛推出專注于角色扮演的產(chǎn)品，如Character.AI、貓箱、星野、筑夢(mèng)島、冒泡鴨等下載量超千萬(wàn)次的軟件；通義、文小言、豆包等國(guó)產(chǎn)AI模型皆在應(yīng)用內(nèi)部設(shè)立了智能體專區(qū)，為用戶提供角色扮演的空間；三大電信運(yùn)營(yíng)商、騰訊、華為等企業(yè)紛紛接入DeepSeek大模型，推進(jìn)智能體與實(shí)際場(chǎng)景深度融合。

然而，在實(shí)際應(yīng)用中，不同場(chǎng)景的復(fù)雜性、動(dòng)態(tài)性和多樣化需求對(duì)智能Agent的情境適應(yīng)性提出了更高要求。為此，國(guó)家層面相繼出臺(tái)了一系列政策文件，為智能Agent在情境適應(yīng)性設(shè)計(jì)中的創(chuàng)新與發(fā)展提供了重要支持。例如，《新一代人工智能治理原則——發(fā)展負(fù)責(zé)任的人工智能》明確提出，人工智能應(yīng)以“增強(qiáng)人類能力”為目標(biāo)，并要求系統(tǒng)具備可解釋性與透明性，以促進(jìn)人機(jī)和諧共生?！蛾P(guān)于公布第二批“人工智能+高等教育”應(yīng)用場(chǎng)景典型案例的通知》鼓勵(lì)高校積極探索人工智能與高等教育情境深度融合，推動(dòng)人工智能賦能教育教學(xué)創(chuàng)新發(fā)展。這為智能Agent在教育、醫(yī)療、工業(yè)等領(lǐng)域的情境適應(yīng)性研究奠定了政策基礎(chǔ)，并為技術(shù)和學(xué)術(shù)攻關(guān)提供了方向指引。

目前，國(guó)內(nèi)外已在智能體知識(shí)注入［3］、評(píng)估基準(zhǔn)［4］、架構(gòu)定制［5］、個(gè)性表達(dá)［6］、微調(diào)訓(xùn)練［7］等技術(shù)層面，以及學(xué)習(xí)輔助［8-9］、社交陪伴［10］等應(yīng)用層面積累了一定數(shù)量的研究成果，亟需構(gòu)建一個(gè)系統(tǒng)性的知識(shí)框架，揭示復(fù)雜社會(huì)情境下人機(jī)協(xié)同的過(guò)程特征?，F(xiàn)僅有的少數(shù)幾篇綜述性論文均囿于技術(shù)實(shí)現(xiàn)維度［11-12］，導(dǎo)致智能體技術(shù)實(shí)現(xiàn)與用戶體驗(yàn)、角色構(gòu)建與人機(jī)情境適配的內(nèi)在協(xié)同優(yōu)化邏輯尚未形成系統(tǒng)化認(rèn)知。因此，本文在情報(bào)學(xué)、信息系統(tǒng)等學(xué)科視角下，通過(guò)整合認(rèn)知科學(xué)、行為科學(xué)等理論，基于人智交互體驗(yàn)［13］解構(gòu)智能體角色扮演的認(rèn)知形成機(jī)制，推動(dòng)人機(jī)關(guān)系研究從工具理性向價(jià)值理性的范式轉(zhuǎn)型。

1 研究方法及過(guò)程

元綜合（Meta-Synthesis）是一種系統(tǒng)性方法，旨在通過(guò)對(duì)特定主題領(lǐng)域中既有研究文獻(xiàn)的深入篩選、批判性評(píng)估和綜合性分析，構(gòu)建新的解釋性框架或理論模型［14］。該方法強(qiáng)調(diào)通過(guò)概念重構(gòu)揭示潛在的理論聯(lián)系與深層意義，注重多樣化數(shù)據(jù)來(lái)源的整合與批判性解讀，從而生成對(duì)研究主題更為全面且創(chuàng)新的洞察，為理論發(fā)展提供新的方向和啟示，在技術(shù)交互設(shè)計(jì)與社會(huì)科學(xué)研究領(lǐng)域具有廣泛適用性，并在圖書館學(xué)、情報(bào)學(xué)具有重要應(yīng)用［15-17］，尤其適合探討復(fù)雜系統(tǒng)的多維協(xié)同機(jī)制。本文從多學(xué)科、多領(lǐng)域的文獻(xiàn)研究中提取關(guān)鍵因素，采用元綜合方法對(duì)智能Agent角色扮演主題的相關(guān)研究進(jìn)行系統(tǒng)分析與理論構(gòu)建，從“角色需求、角色創(chuàng)建、角色交互”3個(gè)層面來(lái)梳理智能Agent情境適應(yīng)性角色扮演的研究脈絡(luò)。

1.1 文獻(xiàn)收集策略

為了確保研究的全面性與精準(zhǔn)性，本文設(shè)計(jì)了詳細(xì)的文獻(xiàn)收集策略，主要選用Web of Science、Springer、Scopus、ACM Digital Library和中國(guó)知網(wǎng)（CNKI）作為主要檢索源，同時(shí)輔以Google Scholar進(jìn)行補(bǔ)充檢索。圍繞研究主題，初步選取“Intelligent Agent”“Role-playing”以及“Context-aware Design”作為核心主題詞進(jìn)行檢索。然而，由于初步檢索的檢全率較低，為提高全面性，進(jìn)一步擴(kuò)展智能Agent相關(guān)術(shù)語(yǔ)，使用通配符捕捉復(fù)數(shù)及變形表達(dá)，如“Adaptive Agent*”“Conversational Agent*”“Chatbot*”，以及角色扮演、情境適應(yīng)相關(guān)表述，如“Virtual Character Interaction”“Role-playing Interaction”“Avatar-based Interaction”“Cynamic Adaptation”“Situational Adaptation”分別作為主題詞進(jìn)行補(bǔ)充檢索。文獻(xiàn)語(yǔ)種以英語(yǔ)為主，同時(shí)在CNKI采用高級(jí)檢索以（主題：情境適應(yīng)性+角色扮演+意圖識(shí)別+意圖理解）AND（主題：智能體+聊天機(jī)器人+大語(yǔ)言模型+智能客服）作為檢索式，補(bǔ)充領(lǐng)域內(nèi)高質(zhì)量中文文獻(xiàn)，以覆蓋核心研究成果。為確保關(guān)鍵研究成果的覆蓋范圍，檢索過(guò)程采用主題詞與標(biāo)題檢索相結(jié)合的方式，并輔以追溯法獲取其他相關(guān)參考文獻(xiàn)。經(jīng)過(guò)檢索，共獲得外文文獻(xiàn)1 006篇，中文文獻(xiàn)51篇，為后續(xù)研究提供了充足的文獻(xiàn)基礎(chǔ)。

1.2 文獻(xiàn)篩選和質(zhì)量評(píng)估

為確保研究的嚴(yán)謹(jǐn)性，本文采用以下標(biāo)準(zhǔn)對(duì)文獻(xiàn)進(jìn)行篩選與評(píng)估：①文獻(xiàn)類型限定為中英文的會(huì)議論文和期刊論文，排除資訊、會(huì)議摘要、專利、社論、信函等非學(xué)術(shù)性文獻(xiàn)；②聚焦智能Agent在角色扮演中的具體設(shè)計(jì)與應(yīng)用，需詳細(xì)描述技術(shù)實(shí)現(xiàn)或角色交互，排除僅停留于理論模型或潛在應(yīng)用討論的文獻(xiàn)。③排除傳統(tǒng)的角色扮演游戲角色扮演游戲（Role-playing game，RPG）類文獻(xiàn)。根據(jù)文獻(xiàn)篩選和質(zhì)量評(píng)估最終確定89篇文獻(xiàn)，具體篩選流程如圖1所示。

圖1 文獻(xiàn)檢索與篩選流程Fig.1 Literature Retrieval and Screening Process

1.3 數(shù)據(jù)抽取與綜合

本研究采用元綜合方法，對(duì)篩選后的89篇文獻(xiàn)進(jìn)行系統(tǒng)性分析，聚焦智能Agent角色扮演領(lǐng)域的研究問(wèn)題、方法、成果及應(yīng)用場(chǎng)景。為提升分析效度與可追溯性，數(shù)據(jù)抽取與整合遵循結(jié)構(gòu)化流程：首先，通過(guò)數(shù)據(jù)標(biāo)準(zhǔn)化處理，將文獻(xiàn)核心要素錄入Excel模板，形成包含文獻(xiàn)ID、研究問(wèn)題、Agent角色、技術(shù)路徑、研究結(jié)論和應(yīng)用場(chǎng)景等字段的結(jié)構(gòu)化數(shù)據(jù)庫(kù)，部分文獻(xiàn)集如表1所示。其次，在NVivo 12中實(shí)施雙盲編碼與共識(shí)驗(yàn)證——兩位研究者基于社會(huì)支持理論框架獨(dú)立標(biāo)注一級(jí)標(biāo)簽（如“需求顯性化”“情感建?！保?；針對(duì)分歧標(biāo)簽（如“文化適配”的歸類問(wèn)題），結(jié)合原始文獻(xiàn)，兩位作者協(xié)商達(dá)成共識(shí)。編碼完成后，隨機(jī)選取20%的文獻(xiàn)（18篇）進(jìn)行獨(dú)立重復(fù)編碼，結(jié)果顯示Cohens Kappa值均大于0.7，編碼結(jié)果具有較高的可靠性。最后，反復(fù)編碼與分析，并無(wú)新主題生成，表明研究已達(dá)到理論飽和度。

概念聚合遵循歸納推理思想，同時(shí)參考社會(huì)支持理論和福格行為模型，按照概念提取、整理、分析、融合的鏈?zhǔn)讲襟E進(jìn)行聚合。首先，從初始標(biāo)簽中提煉出關(guān)鍵概念，根據(jù)關(guān)鍵概念間的相互關(guān)系判斷其共性，進(jìn)而將其歸類為更高層次的概念。例如，將“準(zhǔn)確性”“執(zhí)行效率”“響應(yīng)速度”三類標(biāo)簽歸納為“顯性預(yù)期”；“情感支持”“文化認(rèn)同”與“價(jià)值觀認(rèn)同”歸納為“隱性預(yù)期”，兩類預(yù)期歸類為“角色預(yù)期”，進(jìn)而歸類為“角色需求”。其次，通過(guò)分析不同高層概念之間的內(nèi)在關(guān)系，沿智能Agent系統(tǒng)開發(fā)周期的時(shí)間軸建立因果邏輯關(guān)聯(lián)。例如，“情感識(shí)別”與“角色一致性”之間的關(guān)系，以及“用戶需求分析”支撐“個(gè)性化角色創(chuàng)建”以實(shí)現(xiàn)“有效互動(dòng)”。最后，對(duì)關(guān)鍵概念進(jìn)行進(jìn)一步提煉，凝練出角色需求、角色創(chuàng)建、角色交互三大主范疇。

1.4 研究框架構(gòu)建

在概念聚合基礎(chǔ)上，進(jìn)一步挖掘角色需求、角色創(chuàng)建以及角色交互等概念之間的邏輯關(guān)系，進(jìn)而形成智能Agent情境適應(yīng)性角色扮演的研究框架。具體而言，角色需求通過(guò)對(duì)角色的顯性與隱性預(yù)期，以及對(duì)功能型與情感型角色進(jìn)行定義，為后續(xù)設(shè)計(jì)提供指導(dǎo)方向，并決定相應(yīng)的技術(shù)選型；角色創(chuàng)建則通過(guò)技術(shù)驅(qū)動(dòng)的方式，進(jìn)行角色創(chuàng)意構(gòu)建與行為模式設(shè)計(jì)，將需求轉(zhuǎn)化為具體的可執(zhí)行模型，并實(shí)現(xiàn)角色的行為表現(xiàn)與響應(yīng)機(jī)制；角色交互通過(guò)認(rèn)知、行為、情感閉環(huán)對(duì)話式搜索機(jī)制，在實(shí)際應(yīng)用場(chǎng)景中驗(yàn)證角色設(shè)計(jì)的有效性，同時(shí)生成反饋數(shù)據(jù)，這些數(shù)據(jù)將回流至角色需求層，進(jìn)一步優(yōu)化設(shè)計(jì)方案。這一過(guò)程借鑒智能Agent系統(tǒng)開發(fā)周期形成了“需求定義邊界（What）→技術(shù)實(shí)現(xiàn)構(gòu)想（How）→機(jī)制驗(yàn)證價(jià)值（Why）”的閉環(huán)邏輯。其中，“需求定義邊界”來(lái)源于用戶對(duì)智能體產(chǎn)品功能、性能方面的預(yù)期，“技術(shù)實(shí)現(xiàn)構(gòu)想”負(fù)責(zé)角色創(chuàng)建與行為模型的構(gòu)建，“機(jī)制驗(yàn)證價(jià)值”則通過(guò)交互驗(yàn)證與反饋機(jī)制對(duì)設(shè)計(jì)效果進(jìn)行評(píng)估與調(diào)整。該閉環(huán)模型有效地支持智能Agent在復(fù)雜情境下靈活平衡功能性與情感性目標(biāo)，高效完成角色任務(wù)，如圖2所示。

2 角色需求

角色需求泛指用戶在功能和情感方面對(duì)智能Agent的綜合需求，由角色預(yù)期和角色定位構(gòu)成，如圖3所示。角色需求分析直接影響智能Agent設(shè)計(jì)過(guò)程，是確保智能Agent通過(guò)其角色設(shè)定精準(zhǔn)滿足用戶信息需求與情感需求的關(guān)鍵環(huán)節(jié)。

2.1 角色預(yù)期

圖式理論認(rèn)為，在特定情況下，人會(huì)對(duì)具有特定身份角色的人產(chǎn)生角色期待。因而在角色扮演之初，由于情境或個(gè)人情況的差異，用戶便會(huì)將自身智能“賦予”機(jī)器人［18］，結(jié)合原有認(rèn)知結(jié)構(gòu)產(chǎn)生角色預(yù)期，這些預(yù)期可以分為顯性與隱性兩類，分別體現(xiàn)功能需求與情感認(rèn)同。

2.1.1 顯性預(yù)期

顯性預(yù)期是用戶將智能Agent視為“信息服務(wù)工具”，期待其在信息檢索、知識(shí)服務(wù)等任務(wù)中出色表現(xiàn)，通常涉及用戶對(duì)于智能Agent性能層面的需求與期望，如智能Agent準(zhǔn)確性、執(zhí)行效率和響應(yīng)速度等指標(biāo)。醫(yī)療情境中，用戶更關(guān)注智能Agent提供醫(yī)療服務(wù)的可靠性，如診斷建議的準(zhǔn)確性、監(jiān)測(cè)數(shù)據(jù)的實(shí)時(shí)性與知識(shí)儲(chǔ)備的豐富性［19-20］。教育情境中，用戶期待智能Agent能夠精準(zhǔn)提供學(xué)習(xí)內(nèi)容、執(zhí)行教學(xué)任務(wù)，并有效管理課堂，可根據(jù)學(xué)習(xí)者水平動(dòng)態(tài)調(diào)整教學(xué)策略，確保內(nèi)容的難度與用戶需求匹配［21-22］。商業(yè)情境中，用戶期待智能Agent對(duì)于用戶提問(wèn)能夠快速響應(yīng)、準(zhǔn)確理解、妥善處理，進(jìn)而滿足用戶多樣化需求［23-24］。

2.1.2 隱性預(yù)期

隱性預(yù)期是用戶將智能Agent視為具備社會(huì)屬性的互動(dòng)對(duì)象，期待其在深層交互中實(shí)現(xiàn)心理補(bǔ)償與社會(huì)認(rèn)同，通常涉及用戶深層次的心理或社會(huì)需求，如情感支持、文化與價(jià)值觀認(rèn)同等指標(biāo)。社交情境中，用戶可能期待智能Agent具備陪伴功能。例如，年輕學(xué)習(xí)者希望智能Agent能提升用戶學(xué)習(xí)興趣，老年人則希望智能Agent能通過(guò)互動(dòng)緩解老年人的孤獨(dú)感［25-26］。在跨文化背景下，用戶期望智能Agent能融入文化元素并理解語(yǔ)言與文化的細(xì)微差別。例如，相較于個(gè)人主義文化，集體主義文化用戶更加關(guān)注擬人化機(jī)器人的認(rèn)知能力；對(duì)于非母語(yǔ)英語(yǔ)學(xué)習(xí)者，嵌入文化敏感性的智能Agent可以顯著提高用戶參與度和學(xué)習(xí)效果［25，27］。

用戶的顯性與隱性角色預(yù)期因性別、年齡等特征而有所不同。男性用戶通常對(duì)智能Agent的技術(shù)能力更為關(guān)注，傾向于信任高效率的決策型角色，女性用戶則更看重智能Agent在情感支持和陪伴功能上的表現(xiàn)［28］；年輕用戶對(duì)新技術(shù)適應(yīng)性強(qiáng)，更傾向于在游戲、教育等互動(dòng)場(chǎng)景中探索智能Agent的多重角色，而老年用戶更關(guān)注健康監(jiān)測(cè)和情感支持，期望智能Agent扮演貼心陪伴者角色［26，29］。這兩類預(yù)期共同構(gòu)成用戶對(duì)智能Agent的“工具—情感”雙重角色期待，與信息行為經(jīng)典理論相契合，類似于UTAUT2模型中所提到的績(jī)效期望和享樂(lè)動(dòng)機(jī)。

2.2 角色定位

智能Agent是以智能的方式響應(yīng)用戶請(qǐng)求，學(xué)習(xí)用戶偏好與行為，并能夠與用戶進(jìn)行深度對(duì)話的智能系統(tǒng)［30］。以個(gè)人數(shù)字代理［31］、對(duì)話代理［32］、大型語(yǔ)言模型［33］、聊天機(jī)器人［22］等多種形式存在，從虛擬助手到教育輔導(dǎo)，從醫(yī)療咨詢到情感陪伴，模擬真實(shí)人類的行為模式和社會(huì)互動(dòng)規(guī)則，通過(guò)靈活切換角色展現(xiàn)出顯著的情境適應(yīng)能力［9，31，34-35］。借助功利型與表現(xiàn)型社會(huì)角色的分類思想，基于智能Agent所承擔(dān)的任務(wù)類型及交互目標(biāo)，將其劃分為功能型與情感型兩種角色。

2.2.1 功能型角色

功能型角色是用戶對(duì)智能Agent顯性預(yù)期的投射，在多種情境下以具象化形態(tài)呈現(xiàn)。例如，醫(yī)療情境中，當(dāng)用戶需要輔助診療決策及臨床鑒別診斷等特定任務(wù)時(shí)［19］，期望智能Agent承擔(dān)諸如虛擬病人［9］、健康監(jiān)護(hù)者［36］、醫(yī)療專業(yè)人員［37］、專業(yè)知識(shí)提供者［38-39］等任務(wù)導(dǎo)向型角色。教育情境中，學(xué)生用戶期望獲得個(gè)性化的學(xué)習(xí)資源［40］，智能Agent通常扮演智能導(dǎo)師［41］、實(shí)時(shí)答疑伙伴［22］、個(gè)性化學(xué)習(xí)助手［1］、技能教練［35］等任務(wù)導(dǎo)向型角色，通過(guò)高仿真模擬和針對(duì)性指導(dǎo)，提升學(xué)生學(xué)習(xí)效果［1，8，42］，或是扮演學(xué)生角色，鍛煉教師教學(xué)能力［43］。商業(yè)情境中，智能Agent扮演溝通橋梁［23］、知識(shí)推薦者［44］，便于信息溝通和知識(shí)查詢；或是扮演投訴者［24］，輔助培訓(xùn)員工處理客戶投訴的能力。

2.2.2 情感型角色

情感型角色則是用戶對(duì)智能Agent隱性預(yù)期的投射，以滿足用戶對(duì)獲得陪伴、理解以及個(gè)性化互動(dòng)體驗(yàn)的渴望。這種情感需求在社交情境中尤為突出，用戶將智能Agent視為傾聽型朋友，能隨時(shí)隨地向其進(jìn)行無(wú)評(píng)判性的信息傾訴，獲得陪伴與支持［45-46］，或視其為寵物、吉祥物［47］，甚至是寄托情感的浪漫伴侶［10，32，48］，通過(guò)共情與個(gè)性化互動(dòng)獲得溫暖和慰藉。在教育情境中，用戶還希望智能Agent扮演動(dòng)機(jī)激發(fā)者［41，49］、信心提供者［9］和情感共鳴者［50］，提供情感支持和心理慰藉，提升學(xué)生的參與感、學(xué)習(xí)動(dòng)機(jī)和理論知識(shí)應(yīng)用能力［1，35，49］。醫(yī)療情境中，智能Agent能扮演心理治療師，幫助解決情緒問(wèn)題并輔助心理治療［51］；也能扮演情感支持者，提高患者的治療依從性［52］。

此外，有時(shí)智能Agent會(huì)承擔(dān)雙重角色，如教育情境中的互動(dòng)學(xué)習(xí)促進(jìn)者，不僅提供學(xué)習(xí)指導(dǎo)，還能增強(qiáng)學(xué)習(xí)興趣［8，22］；醫(yī)療情境中的緊急響應(yīng)者，幫助老年人應(yīng)對(duì)緊急情況并減少社交隔離［36］。

3 角色創(chuàng)建

角色創(chuàng)建是智能Agent設(shè)計(jì)的核心任務(wù)，旨在通過(guò)自然語(yǔ)言處理等底層技術(shù)與功能設(shè)計(jì)的結(jié)合，賦予智能Agent結(jié)構(gòu)化知識(shí)、細(xì)膩行為表現(xiàn)與靈活適應(yīng)能力。借鑒生命周期理論，遵循從基礎(chǔ)技術(shù)架構(gòu)到功能實(shí)現(xiàn)機(jī)制的遞進(jìn)邏輯，將智能Agent的角色創(chuàng)建過(guò)程劃分為4個(gè)連續(xù)階段，如圖4所示。

3.1 構(gòu)建角色基礎(chǔ)

構(gòu)建角色基礎(chǔ)的任務(wù)是為智能Agent提供認(rèn)知框架與響應(yīng)機(jī)制，確保其具備完整的角色知識(shí)儲(chǔ)備與情感回應(yīng)能力。

1）知識(shí)圖譜作為一種以節(jié)點(diǎn)和邊構(gòu)建的語(yǔ)言網(wǎng)絡(luò)，能夠有效支持語(yǔ)義關(guān)聯(lián)與知識(shí)推理［53］。通過(guò)知識(shí)提取、動(dòng)態(tài)集成與跨領(lǐng)域?qū)R等方式，可使智能Agent在特定領(lǐng)域建立系統(tǒng)化的知識(shí)網(wǎng)絡(luò)。扮演角色時(shí)，智能Agent從知識(shí)圖譜數(shù)據(jù)庫(kù)中查詢并補(bǔ)充相關(guān)信息生成回復(fù)。知識(shí)圖譜不僅能夠增強(qiáng)法律、醫(yī)療等專業(yè)領(lǐng)域知識(shí)對(duì)齊［54］，還可通過(guò)實(shí)時(shí)知識(shí)更新機(jī)制確保角色知識(shí)庫(kù)具備持續(xù)擴(kuò)展能力［55］。以Wang H C等［56］研究為例，通過(guò)引入中國(guó)醫(yī)學(xué)知識(shí)圖譜，顯著增強(qiáng)了智能Agent在生物醫(yī)學(xué)領(lǐng)域的知識(shí)應(yīng)用能力，使其能夠準(zhǔn)確識(shí)別疾病癥狀并提供治療方案。

2）情感計(jì)算技術(shù)為智能Agent賦予識(shí)別、理解表達(dá)和適應(yīng)情感的能力，使其具有擬人化特征［57］。該技術(shù)通過(guò)多模態(tài)數(shù)據(jù)（如文本、語(yǔ)音、表情）識(shí)別用戶情緒［58］，并據(jù)此調(diào)整語(yǔ)言表達(dá)支持［59］。例如，在社交對(duì)話場(chǎng)景中，智能Agent可采用安撫性語(yǔ)言緩解用戶焦慮，或在用戶興奮時(shí)給予積極回應(yīng)［10］。這種基于情感模擬的技術(shù)，不僅提升了交互的真實(shí)感，還拉近了用戶與智能Agent的心理距離［60］。

3.2 塑造角色行為

塑造角色行為的任務(wù)是優(yōu)化智能Agent的語(yǔ)言表達(dá)策略與生成機(jī)制。通過(guò)提示工程與微調(diào)技術(shù)實(shí)現(xiàn)角色行為的精細(xì)化控制，從而保障生成內(nèi)容的質(zhì)量，增強(qiáng)角色的真實(shí)感。

1）提示工程通過(guò)優(yōu)化輸入指令，指導(dǎo)大語(yǔ)言模

型生成符合角色設(shè)定的內(nèi)容［61］，釋放大型語(yǔ)言模型的潛力，使其在角色扮演等多任務(wù)場(chǎng)景中高效應(yīng)用［62］。采用思維鏈、零樣本提示、少樣本提示等提示策略，約束或引導(dǎo)生成內(nèi)容，確保智能Agent行為符合設(shè)定［63］。在多輪對(duì)話中，分層提示機(jī)制（如角色身份標(biāo)簽+場(chǎng)景約束）能夠有效維持角色的穩(wěn)定性，顯著降低錯(cuò)誤率［4］。例如，采用指令提示詞賦予大模型不同角色，并引導(dǎo)其思維過(guò)程，提高意圖識(shí)別準(zhǔn)確度［64］及醫(yī)學(xué)知識(shí)輸出質(zhì)量［65］。

2）微調(diào)是在預(yù)訓(xùn)練模型基礎(chǔ)上，針對(duì)特定數(shù)據(jù)集進(jìn)一步訓(xùn)練，調(diào)整參數(shù)權(quán)重，精準(zhǔn)控制智能Agent角色行為風(fēng)格，使其深度適配個(gè)性化需求與領(lǐng)域特征的技術(shù)［66-67］。通過(guò)全參數(shù)微調(diào)（全局更新模型參數(shù)）或參數(shù)高效微調(diào)（僅優(yōu)化適配器模塊等輕量化結(jié)構(gòu)）的方法，提升角色一致性［68-69］。例如，Shao Y等［7］通過(guò)特定角色數(shù)據(jù)訓(xùn)練對(duì)模型進(jìn)行全參數(shù)微調(diào)，消除了角色之間知識(shí)碰撞導(dǎo)致的角色幻覺問(wèn)題。

3.3 實(shí)現(xiàn)角色動(dòng)態(tài)適應(yīng)

實(shí)現(xiàn)角色動(dòng)態(tài)適應(yīng)的任務(wù)是構(gòu)建智能Agent的反饋模式與適應(yīng)機(jī)制，使其在多變環(huán)境中保持角色一致性、提升交互自然度和用戶滿意度。角色動(dòng)態(tài)適應(yīng)設(shè)計(jì)更多地依賴與上下文相關(guān)技術(shù)和人類反饋強(qiáng)化學(xué)習(xí)技術(shù)的協(xié)同。

1）上下文感知是一種通過(guò)分析交互歷史，動(dòng)態(tài)推斷用戶意圖，實(shí)時(shí)捕捉與推理情境線索［70-71］，從而即時(shí)調(diào)整角色特性的技術(shù)［72］。例如，在多角色互動(dòng)場(chǎng)景中，智能Agent可根據(jù)對(duì)話線索切換角色，確保一致性，避免角色混淆［73］。情境學(xué)習(xí)（又稱上下文學(xué)習(xí)）作為機(jī)器學(xué)習(xí)的新范式，允許智能Agent持續(xù)跟蹤和分析用戶輸入、交互歷史及環(huán)境變化，構(gòu)建動(dòng)態(tài)的上下文知識(shí)庫(kù)［74］。該知識(shí)庫(kù)不僅記錄會(huì)話狀態(tài)，還能識(shí)別用戶行為模式、目標(biāo)任務(wù)和情境線索，使智能Agent在多輪對(duì)話中保持語(yǔ)義一致［71］。例如，在長(zhǎng)對(duì)話中，智能Agent可基于上下文保證角色屬性的一致性，判斷用戶潛在意圖，并據(jù)此調(diào)整角色行為［68］。

2）人類反饋強(qiáng)化學(xué)習(xí)（Reinforcement Learning from Human Feedback，RLHF）是傳統(tǒng)強(qiáng)化學(xué)習(xí)的擴(kuò)展，將用戶提供的顯式反饋，通過(guò)人工標(biāo)注作為獎(jiǎng)勵(lì)信號(hào)，指導(dǎo)智能Agent進(jìn)行策略學(xué)習(xí)［75］，亦或通過(guò)監(jiān)測(cè)用戶行為數(shù)據(jù)進(jìn)行適應(yīng)性學(xué)習(xí)，利用隱式反饋機(jī)制調(diào)整后續(xù)行為和語(yǔ)言風(fēng)格［76］。當(dāng)用戶表現(xiàn)出對(duì)某類提示的偏好時(shí)，隱式反饋加速了智能Agent的優(yōu)化過(guò)程，提升其角色扮演能力。因此，RLHF有助于增強(qiáng)智能Agent的適應(yīng)性，使其精準(zhǔn)地符合用戶偏好和期望［77］。例如，RLHF應(yīng)用于教育情境，智能Agent可以分析學(xué)生的學(xué)習(xí)進(jìn)度、理解程度和情感變化，從而動(dòng)態(tài)調(diào)整教學(xué)內(nèi)容和策略［2，22，78］。相較于單一技術(shù)，上下文相關(guān)技術(shù)和RLHF相互協(xié)同更能有效提升智能Agent的性能［79］，使其更自然地適應(yīng)個(gè)人偏好［80］，為用戶帶來(lái)更加個(gè)性化和沉浸式的互動(dòng)體驗(yàn)。

3.4 豐富角色表現(xiàn)

豐富角色表現(xiàn)是設(shè)計(jì)豐滿角色形象的重要環(huán)節(jié)，直接影響輸出層的表現(xiàn)和用戶交互體驗(yàn)。角色表現(xiàn)的豐富性設(shè)計(jì)依賴于記憶、定制化設(shè)計(jì)、角色協(xié)同以及多語(yǔ)言支持機(jī)制的綜合應(yīng)用，目標(biāo)是提升智能交互深度，優(yōu)化用戶體驗(yàn)。

1）記憶機(jī)制是確保智能Agent信息連貫性的關(guān)鍵，主要由長(zhǎng)期記憶與短期記憶構(gòu)成，能夠顯著提升智能Agent角色行為可解釋性［81］。長(zhǎng)期記憶通過(guò)用戶畫像支持角色一致性［3］，或通過(guò)濃縮記憶機(jī)制高效檢索關(guān)鍵信息，提升長(zhǎng)期記憶能力［82］；短期記憶則通過(guò)實(shí)時(shí)跟蹤會(huì)話內(nèi)容以實(shí)現(xiàn)即時(shí)反應(yīng)［83］。

2）定制化設(shè)計(jì)機(jī)制允許用戶通過(guò)文本描述與多模態(tài)輸入自定義角色屬性（如性格、語(yǔ)言風(fēng)格）及形象［5］，調(diào)節(jié)智能Agent回應(yīng)的語(yǔ)義深度、內(nèi)容復(fù)雜度，以滿足個(gè)性化需求。智能Agent基于定制化偏好或歷史交互數(shù)據(jù)，進(jìn)行個(gè)性化推薦，吸引用戶主動(dòng)參與［84］。

3）角色協(xié)同機(jī)制賦予智能Agent多角色協(xié)作能力，根據(jù)用戶選擇和對(duì)話意圖自動(dòng)切換角色［66］，或在特定場(chǎng)景中通過(guò)多個(gè)角色的輪流發(fā)言創(chuàng)造豐富的互動(dòng)體驗(yàn)［73］。目前多個(gè)產(chǎn)品如星野、貓箱、Character.AI均已實(shí)現(xiàn)該功能，使智能Agent能夠在群聊、劇本互動(dòng)等復(fù)雜場(chǎng)景中流暢切換角色，增強(qiáng)互動(dòng)趣味。

4）多語(yǔ)言支持機(jī)制通過(guò)語(yǔ)言適配、精準(zhǔn)翻譯與文化敏感性優(yōu)化智能Agent跨語(yǔ)言交互能力。語(yǔ)言適配使角色能根據(jù)不同情境切換語(yǔ)言風(fēng)格（如正式/非正式風(fēng)格切換）；精準(zhǔn)翻譯支持全球用戶跨語(yǔ)言對(duì)話，確保角色輸出符合文化背景的表達(dá)。例如，跨語(yǔ)言偏好對(duì)齊模型能夠有效避免語(yǔ)義映射沖突［85］。在文化敏感性上，需體現(xiàn)文化細(xì)節(jié)，避免誤解或失禮。如Liu C等［86］指出，單純以英文作為語(yǔ)料庫(kù)訓(xùn)練的大語(yǔ)言模型可能忽略其他語(yǔ)言的文化元素，而這些元素對(duì)于細(xì)致入微的語(yǔ)言理解至關(guān)重要。

4 角色交互

角色交互可視為一種對(duì)話式信息搜索過(guò)程，認(rèn)知、情感與行為是情報(bào)學(xué)經(jīng)典模型——信息搜索過(guò)程（Information Search Process，ISP）模型的核心要素［87］。

4.1 角色認(rèn)知建構(gòu)

多模態(tài)信息接觸是形成用戶角色認(rèn)知的基礎(chǔ)。文本作為視覺信息的核心內(nèi)容，其語(yǔ)言風(fēng)格、語(yǔ)氣與表達(dá)形式初步構(gòu)建了用戶對(duì)智能Agent角色性格的認(rèn)知框架。當(dāng)語(yǔ)言風(fēng)格與情境相匹配時(shí)，能進(jìn)一步增強(qiáng)用戶對(duì)角色認(rèn)知的一致性。例如，閑聊對(duì)話中，幽默能顯著提升用戶感知的娛樂(lè)性和滿意度；語(yǔ)言學(xué)習(xí)場(chǎng)景中，幽默則能幫助學(xué)習(xí)者認(rèn)識(shí)到復(fù)雜語(yǔ)言和文化的細(xì)微差別，提高參與度和學(xué)習(xí)效果［35］，但在產(chǎn)品咨詢對(duì)話中會(huì)適得其反［88］。相比文本，角色頭像、立繪、虛擬化身等圖像更能增強(qiáng)人物特征的表現(xiàn)力［89］，激發(fā)用戶對(duì)手勢(shì)、聲音及面部表情的聯(lián)想，形成用戶對(duì)角色的認(rèn)知印象［90］。聽覺信息提供了重要的隱性線索，通過(guò)隱喻強(qiáng)化情境與角色意圖，更新用戶認(rèn)知框架。例如，高音調(diào)機(jī)器人有助于用戶形成充滿活力、善于社交的角色認(rèn)知，增強(qiáng)吸引力和類人感［91］；角色空間位置的聲音線索會(huì)影響用戶對(duì)虛擬場(chǎng)景的感知，提升用戶理解力［92］。

視覺與聽覺的多模態(tài)交互顯著提升了智能Agent的擬人化特征，建構(gòu)用戶對(duì)其角色能力的認(rèn)知，形成了人智交互用戶滿意度及服務(wù)評(píng)價(jià)［93-94］。社會(huì)臨場(chǎng)感理論認(rèn)為，聊天機(jī)器人結(jié)合文本、表情符號(hào)、圖片等多模態(tài)輸出，社會(huì)臨場(chǎng)感更高［95］，長(zhǎng)此以往，用戶會(huì)將虛擬角色視為現(xiàn)實(shí)伙伴，產(chǎn)生類似人類接觸的體驗(yàn)［96］。然而，部分研究也警示，擬人化可能會(huì)誘發(fā)強(qiáng)烈的“Eliza效應(yīng)”，使易感用戶面臨情緒操縱的風(fēng)險(xiǎn)［97］。

4.2 信息交互反饋

認(rèn)知建構(gòu)過(guò)程中，用戶通過(guò)語(yǔ)音、文本等形式與智能Agent進(jìn)行互動(dòng)，并主動(dòng)反饋，推動(dòng)角色扮演進(jìn)程。用戶直接的信息反饋，如評(píng)價(jià)、演示或更正信息，能夠揭示用戶需求，為智能Agent角色設(shè)定和行為模式提供優(yōu)化信號(hào)［80］。此過(guò)程中，智能Agent角色表現(xiàn)會(huì)顯著影響用戶使用意愿。例如，智能Agent主動(dòng)披露情感會(huì)使用戶感受到親近、被尊重，情緒舒緩，增強(qiáng)互動(dòng)性和吸引力，進(jìn)而提高其依賴性和持續(xù)使用意愿［25，31］；豐富的互動(dòng)元素能增強(qiáng)用戶認(rèn)知與沉浸感，提高用戶留存率［98］；角色翻轉(zhuǎn)現(xiàn)象則會(huì)顯著增加用戶的技術(shù)壓力和認(rèn)知負(fù)荷，從而降低其使用意愿［99］。與人類朋友相比，因聊天機(jī)器人的非人類特性，用戶自我呈現(xiàn)會(huì)更加自由［100］，更愿意與其分享個(gè)人隱私信息或更深層次的想法感受（如披露個(gè)人信息、情感狀態(tài)等），以尋求情感支持［46］。

4.3 情感投入

人機(jī)交互領(lǐng)域“計(jì)算機(jī)是社會(huì)行動(dòng)者”（Computer are Social Actors，CASA）范式認(rèn)為，用戶會(huì)對(duì)表現(xiàn)出人類社會(huì)特征的計(jì)算機(jī)產(chǎn)生社會(huì)反應(yīng)，將其視為類人存在［101］。人際關(guān)系三維理論認(rèn)為，人的情感需要得不到滿足時(shí)，會(huì)在虛擬世界中彌補(bǔ)需求缺位。所以，受到情感需求的投射［29］或孤獨(dú)感的驅(qū)動(dòng)［34］，用戶易對(duì)智能Agent產(chǎn)生情感依戀。信任是所有親密關(guān)系的基礎(chǔ)［46］，主要受認(rèn)知負(fù)荷等因素影響［103］。用戶通過(guò)智能Agent的易用性、私密性、穩(wěn)定性、準(zhǔn)確性等形成認(rèn)知判斷，進(jìn)而影響信任感與使用意愿［59，75，103］。智能Agent表現(xiàn)出的同理心和擬人化情感表達(dá)，令用戶感受到理解與關(guān)懷，更易將其視為具有鮮活生命特征的個(gè)體，從而引發(fā)更強(qiáng)的情感共鳴［46］，拉近心理距離［104］，提升信任感和歸屬感，提高接受度［25］。智能Agent逐漸從功能性工具轉(zhuǎn)變?yōu)榍楦谢锇?，充?dāng)朋友、導(dǎo)師甚至是情感伴侶的角色［34］，建立數(shù)字友誼［46］、戀愛關(guān)系［48］等。這種情感投入，不僅能減輕用戶孤獨(dú)感，還能緩解其焦慮與壓力，滿足其社交需求、精神需求［104-105］。但用戶對(duì)智能Agent的情感投入也存在潛在風(fēng)險(xiǎn)，如導(dǎo)致用戶依戀成癮［34］，引發(fā)心理健康問(wèn)題［10］，或提高對(duì)現(xiàn)實(shí)伴侶的期望，影響現(xiàn)實(shí)關(guān)系選擇［88］。

5 挑戰(zhàn)與展望

智能Agent的引入推動(dòng)了角色扮演在人機(jī)交互領(lǐng)域的發(fā)展，尤其大語(yǔ)言模型的迭代，進(jìn)一步提升了角色扮演的人智交互體驗(yàn)。然而，上述分析結(jié)果顯示，該領(lǐng)域仍存在技術(shù)局限和倫理風(fēng)險(xiǎn)等多個(gè)挑戰(zhàn)。

技術(shù)局限表現(xiàn)為以下3個(gè)方面：①記憶受限：由于計(jì)算成本限制，許多角色扮演應(yīng)用對(duì)上下文記憶容量進(jìn)行了限制［69］。當(dāng)交互超出計(jì)算范圍后，智能Agent便會(huì)遺忘先前的對(duì)話內(nèi)容，導(dǎo)致角色一致性降低，影響沉浸感，削弱用戶使用熱情。②幻覺現(xiàn)象：智能Agent可能生成看似合理但實(shí)際不符合事實(shí)的內(nèi)容［75］，這種現(xiàn)象稱為“角色幻覺”［106］。當(dāng)智能Agent無(wú)法準(zhǔn)確理解角色背景或行為規(guī)范時(shí)，可能會(huì)做出不符合角色設(shè)定的反應(yīng)，影響其角色扮演的有效性和可信度［107-108］。③角色翻轉(zhuǎn)：智能Agent可能會(huì)在角色扮演過(guò)程中意外切換角色［99］，或者在多角色扮演任務(wù)中，因發(fā)言順序混亂導(dǎo)致某一角色搶占其他角色表達(dá)［73］。

倫理風(fēng)險(xiǎn)表現(xiàn)為以下3個(gè)方面：①社會(huì)偏見：角色扮演在提高特定任務(wù)表現(xiàn)的同時(shí)，可能會(huì)放大潛在的偏見［109］。有害表達(dá)偏見（智能Agent生成對(duì)話時(shí)表達(dá)有害內(nèi)容）、有害同意偏見（智能Agent支持用戶提出的不當(dāng)言論）［110］等類別偏見多源自預(yù)訓(xùn)練數(shù)據(jù)以及反饋數(shù)據(jù)的不均衡性［107］，如不加以控制，智能Agent可能輸出涉及刻板印象、政治偏見、種族歧視等內(nèi)容［111］，加劇社會(huì)偏見傳播，并對(duì)用戶造成潛在傷害［110］。②隱私風(fēng)險(xiǎn)：在角色扮演場(chǎng)景中，隱私泄露是用戶最關(guān)注的問(wèn)題之一。用戶可能在情感依賴階段會(huì)向智能Agent披露個(gè)人信息，若不能有效保障數(shù)據(jù)安全，將導(dǎo)致身份盜用或未經(jīng)授權(quán)訪問(wèn)敏感信息［105］，降低用戶信任感。

因此，在推動(dòng)智能Agent角色扮演與應(yīng)用場(chǎng)景深度融合的過(guò)程中，需從以下幾個(gè)方面進(jìn)行重點(diǎn)關(guān)注：第一，通過(guò)Transformer-XL、記憶網(wǎng)絡(luò)和稀疏注意力機(jī)制等核心技術(shù)增強(qiáng)智能Agent的記憶容量，確保長(zhǎng)語(yǔ)境中的記憶連貫性與一致性。第二，利用因果推理、對(duì)抗訓(xùn)練和邊界感知學(xué)習(xí)優(yōu)化推理機(jī)制，減少“角色幻覺”和“角色翻轉(zhuǎn)”導(dǎo)致的角色偏差。第三，以公平性學(xué)習(xí)和倫理對(duì)齊為核心，驅(qū)動(dòng)角色設(shè)計(jì)方法，減少數(shù)據(jù)偏見并確保行為符合社會(huì)規(guī)范。第四，借助聯(lián)邦學(xué)習(xí)、差分隱私和同態(tài)加密建立嚴(yán)密的隱私保護(hù)機(jī)制，提升數(shù)據(jù)處理透明度與安全性。第五，構(gòu)建涵蓋角色行為一致性、事實(shí)準(zhǔn)確性、倫理合規(guī)性及用戶滿意度的多維度評(píng)估體系，通過(guò)自動(dòng)化評(píng)估工具系統(tǒng)性地評(píng)估智能Agent在復(fù)雜情境中的適應(yīng)性表現(xiàn)。通過(guò)以上技術(shù)路徑，結(jié)合場(chǎng)景自適應(yīng)學(xué)習(xí)、多模態(tài)融合和強(qiáng)化學(xué)習(xí)，可進(jìn)一步推動(dòng)智能Agent在多樣化應(yīng)用場(chǎng)景中的深度融合，全面提升其情境適應(yīng)能力與實(shí)用性。

6 結(jié) 語(yǔ)

本文基于對(duì)89篇智能Agent情境適應(yīng)性角色扮演領(lǐng)域文獻(xiàn)的元綜合分析，通過(guò)對(duì)角色需求、角色創(chuàng)建、角色交互三大主范疇及其子類別的深度解構(gòu)，系統(tǒng)構(gòu)建了“需求定義邊界（What）→技術(shù)實(shí)現(xiàn)構(gòu)想（How）→機(jī)制驗(yàn)證價(jià)值（Why）”三位一體的研究框架，揭示了智能Agent角色扮演的核心動(dòng)因、技術(shù)支撐以及與人機(jī)交互機(jī)制。研究同時(shí)指出當(dāng)前領(lǐng)域存在的技術(shù)與倫理層的雙重挑戰(zhàn)。作為一項(xiàng)新興交叉領(lǐng)域的前沿探索，本文的理論貢獻(xiàn)體現(xiàn)在3個(gè)方面：其一，通過(guò)結(jié)合情感計(jì)算和用戶行為分析，本文為理解用戶在復(fù)雜交互環(huán)境中的行為提供了可拓展的概念框架。其二，從情報(bào)學(xué)視角出發(fā)，本文初步揭示了用戶在與智能Agent交互中的信息處理方式、情感反饋和認(rèn)知反應(yīng)，為未來(lái)的用戶體驗(yàn)優(yōu)化和Agent設(shè)計(jì)提供了理論支持。其三，基于用戶—技術(shù)的雙重視角，本文指出了用戶行為與情境適應(yīng)性角色設(shè)計(jì)方面可關(guān)注的方向。隨著多模態(tài)大模型與具身智能技術(shù)的突破，角色扮演類應(yīng)用展現(xiàn)出顯著的應(yīng)用價(jià)值與用戶市場(chǎng)。然而，當(dāng)前相關(guān)研究主要集中于計(jì)算機(jī)科學(xué)領(lǐng)域，情報(bào)學(xué)視角下以“用戶為中心”的人智交互過(guò)程未得到足夠關(guān)注?；诖耍磥?lái)可立足于情報(bào)學(xué)研究范式，探索虛實(shí)融合場(chǎng)景中用戶需求識(shí)別與預(yù)測(cè)、行為模式（如查詢習(xí)慣、選擇偏好、交互方式等）、元認(rèn)知規(guī)律、技術(shù)效能體驗(yàn)、使用習(xí)慣演化規(guī)律以及隱私保護(hù)等主題，充分發(fā)揮情報(bào)學(xué)科推動(dòng)智能Agent發(fā)展的關(guān)鍵作用，促進(jìn)智能Agent從“功能代理”向“價(jià)值伙伴”的范式躍遷。

參考文獻(xiàn)

［1］Stampfl R，Geyer B，Deissl-OMeara M，et al.Revolutionising Role-Playing Games With ChatGPT［J］.Advances in Artificial Intelligence and Machine Learning，2024，4（2）：2244-2257.

［2］Maurya R K.Using AI Based Chatbot ChatGPT for Practicing Counseling Skills Through Role-Play［J］.Journal of Creativity in Mental Health，2024，19（4）：513-528.

［3］Li C，Leng Z，Yan C，et al.ChatHaruhi：Reviving Anime Character in Reality via Large Language Model［EB/OL］.［2024-12-19］.https：//arxiv.org/pdf/2308.09597.

［4］Wang Z M，Peng Z，Que H，et al.RoleLLM：Benchmarking，Eliciting and Enhancing Role-Playing Abilities of Large Language Models［C］//Proceedings of the Annual Meeting of the Association for Computational Linguistics.Hybrid：Association for Computational Linguistics，2024：14743-14777.

［5］Yang B，Liu D，Tang C，et al.Crafting Customisable Characters with LLMs：Introducing SimsChat，a Persona-Driven Role-Playing Agent Framework［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2406.17962v4.

［6］Jiang H，Zhang X，Cao X，et al.PersonaLLM：Investigating the Ability of Large Language Models to Express Personality Traits［C］//Findings of the Association for Computational Linguistics：NAACL 2024.Mexico：Association for Computational Linguistics，2024：3605-3627.

［7］Shao Y，Li L，Dai J，et al.Character-LLM：A Trainable Agent for Role-Playing［C］//Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing.Hybrid：Association for Computational Linguistics，2023：13153-13187.

［8］Lim H，Choi D，Hong H.Identify Design Problems Through Questioning：Exploring Role-Playing Interactions With Large Language Models to Foster Design Questioning Skills［C］//Companion Publication of the 2024 Conference on Computer-Supported Cooperative Work and Social Computing.New York：Association for Computing Machinery，2024：598-602.

［9］Kong J S M，Teo B S，Lee Y J，et al.Virtual Integrated Patient：An AI Supplementary Tool for Second-Year Medical Students［J］.The Asia Pacific Scholar，2021，6（3）：87-90.

［10］Laestadius L，Bishop A，Gonzalez M，et al.Too Human and Not Human Enough：A Grounded Theory Analysis of Mental Health Harms From Emotional Dependence on the Social Chatbot Replika［J］.New Media amp; Society，2024，26（10）：5923-5941.

［11］Chen N，Wang Y，Deng Y，et al.The Oscars of AI Theater：A Survey on Role-Playing With Language Models［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2407.11484v9.

［12］Mou X，Ding X，He Q，et al.From Individual to Society：A Survey on Social Simulation Driven by Large Language Model-Based Agents［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2412.03563v1.

［13］姜婷婷，許艷閏，傅詩(shī)婷，等.人智交互體驗(yàn)研究：為人本人工智能發(fā)展注入新動(dòng)力［J］.圖書情報(bào)知識(shí)，2022，39（4）：43-55.

［14］Urquhart C.Meta-Synthesis of Research on Information Seeking Behaviour［J］.Information Research：An International Electronic Journal，2011，16（1）：1-15.

［15］朱洪濤，柯青，謝雨杉.深度休閑信息行為研究：類型特征、結(jié)果效能及未來(lái)展望［J］.情報(bào)科學(xué)，2023，41（7）：170-178.

［16］耿悅曦，柯青.健康焦慮人群信息行為特征、影響因素和互作用機(jī)制之元綜合研究［J］.情報(bào)理論與實(shí)踐，2021，44（11）：150-159.

［17］孫曉寧，景雨田，趙宇翔，等.社交機(jī)器人的適老化設(shè)計(jì)：動(dòng)因、實(shí)踐與未來(lái)展望［J］.情報(bào)理論與實(shí)踐，2024，47（6）：91-102，124.

［18］王晨，陳為聰，黃亮，等.機(jī)器人遵從倫理促進(jìn)人機(jī)信任？決策類型反轉(zhuǎn)效應(yīng)與人機(jī)投射假說(shuō)［J］.心理學(xué)報(bào)，2024，56（2）：194-212.

［19］顧東曉，黃智勇，朱凱旋，等.醫(yī)療健康大模型知識(shí)體系構(gòu)建、服務(wù)應(yīng)用與風(fēng)險(xiǎn)協(xié)同治理［J/OL］.情報(bào)科學(xué)：1-29［2025-05-08］.http：//kns.cnki.net/kcms/detail/22.1264.G2.20240925.0948.002.html.

［20］Chen Z，Zhao X，Hua M，et al.Building Bonds Through Bytes：The Impact of Communication Styles on Patient-Chatbot Relationships and Treatment Adherence in AI-Driven Healthcare［C］//International Conference on Human-Computer Interaction.Cham：Springer，2025：32-52.

［21］Essel H B，Vlachopoulos D，Essuman A B，et al.ChatGPT Effects on Cognitive Skills of Undergraduate Students：Receiving Instant Responses From AI-Based Conversational Large Language Models（LLMs）［J］.Computers and Education：Artificial Intelligence，2024，6：100198.

［22］Pillai R，Sivathanu B，Metri B，et al.Students Adoption of AI-Based Teacher-Bots（T-Bots）for Learning in Higher Education［J］.Information Technology amp; People，2024，37（1）：328-355.

［23］Baabdullah A M，Alalwan A A，Algharabat R S，et al.Virtual Agents and Flow Experience：An Empirical Examination of AI-Powered Chatbots［J］.Technological Forecasting and Social Change，2022，181：121772.

［24］Maurya R K.A Qualitative Content Analysis of ChatGPTs Client Simulation Role-Play for Practising Counselling Skills［J］.Counselling and Psychotherapy Research，2024，24（2）：614-630.

［25］Zhai C P，Wibowo S，Li L D.Evaluating the AI Dialogue Systems Intercultural，Humorous，and Empathetic Dimensions in English Language Learning：A Case Study［J］.Computers and Education：Artificial Intelligence，2024，7：100262.

［26］Getson C，Nejat G.Socially Assistive Robots Helping Older Adults Through the Pandemic and Life After COVID-19［J］.Robotics，2021，10（3）：106-128.

［27］Mehmood K，Kautish P，Shah T R.Embracing Digital Companions：Unveiling Customer Engagement With Anthropomorphic AI Service Robots in Cross-Cultural Context［J］.Journal of Retailing and Consumer Services，2024，79：103825.

［28］Batut A，Prudhomme L，Sambeek M V，et al.Do You Trust AI？Examining AI Trustworthiness Perceptions Among the General Public［C］//International Conference on Human-Computer Interaction.Cham：Springer Nature Switzerland，2024：15-26.

［29］Zhang H Z，Xiang Z W，Yin J B.Social Intimacy and Skewed Love：A Study of the Attachment Relationship Between Internet Group Young Users and a Digital Human［J］.Computers in Human Behavior：Artificial Humans，2023，1（2）：100019.

［30］Ling E C，Tussyadiah I，Tuomi A，et al.Factors Influencing Users Adoption and Use of Conversational Agents：A Systematic Review［J］.Psychology amp; Marketing，2021，38（7）：1031-1051.

［31］Affandi S，Ishaq M I，Raza A，et al.AI Assistant Is My New Best Friend！ Role of Emotional Disclosure，Performance Expectations and Intention to Reuse［J］.Journal of Retailing and Consumer Services，2025，82：104087.

［32］Alabed A，Javornik A，Gregory-Smith D，et al.More Than Just a Chat：A Taxonomy of Consumers Relationships With Conversational AI Agents and Their Well-Being Implications［J］.European Journal of Marketing，2024，58（2）：373-409.

［33］魏小東，習(xí)鵬飛.大語(yǔ)言模型驅(qū)動(dòng)下的虛擬數(shù)字人第二語(yǔ)言教育應(yīng)用研究［J］.電化教育研究，2024，45（5）：75-82.

［34］Xie T L，Pentina I，Hancock T.Friend，Mentor，Lover：Does Chatbot Engagement Lead to Psychological Dependence？［J］.Journal of Service Management，2023，34（4）：806-828.

［35］Belda-Medina J，Calvo-Ferrer J R.Using Chatbots as AI Conversational Partners in Language Learning［J］.Applied Sciences，2022，12（17）：8427-8442.

［36］Esmaeilzadeh P，Maddah M.Robotic Companions and Healthy Aging：A Mixed-Methods Exploration of Older Adults Perspectives and Insights［J］.Technology in Society，2024，78：102689.

［37］Hhn S，Nasir J，Paikan A，et al.Using Large Language Models for Robot-Assisted Therapeutic Role-Play：Factuality Is Not Enough?。跜］//Proceedings of the 6th ACM Conference on Conversational User Interfaces.New York：Association for Computing Machinery，2024：1-6.

［38］張君冬，劉江峰，王震宇，等.用戶響應(yīng)式場(chǎng)景下大模型驅(qū)動(dòng)的AI問(wèn)答研究：以醫(yī)療分診為例［J］.情報(bào)理論與實(shí)踐，2025，48（2）：188-197.

［39］Abbasian M，Yang Z，Khatibi E，et al.Knowledge-Infused LLM-Powered Conversational Health Agent：A Case Study for Diabetes Patients［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2402.10153v2.

［40］Karny S，Mayer L W，Ayoub J，et al.Learning With AI Assistance：A Path to Better Task Performance or Dependence？［C］//Proceedings of the ACM Collective Intelligence Conference.New York：Association for Computing Machinery，2024：10-17.

［41］Desai S，Lundy M，Chin J.“A Painless Way to Learn”：Designing an Interactive Storytelling Voice User Interface to Engage Older Adults in Informal Health Information Learning［C］//Proceedings of the 5th International Conference on Conversational User Interfaces.New York：Association for Computing Machinery，2023：1-16.

［42］Zhao H Y，Min Q F.Exploring Continued Usage of an AI Teaching Assistant Among University Students：A Temporal Distance Perspective［J］.Information amp; Management，2024，61（6）：104012.

［43］Markel J M，Opferman S G，Landay J A，et al.GPTeach：Interactive TA Training With GPT-Based Students［C］//Proceedings of the Tenth ACM Conference on Learning@Scale.New York：Association for Computing Machinery，2023：226-236.

［44］馬曉亮，高潔，劉英，等.基于意圖理解驅(qū)動(dòng)的客服知識(shí)推薦大模型構(gòu)建［J］.華南理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2025，53（3）：40-49.

［45］Jecker N S.Youve Got a Friend in Me：Sociable Robots for Older Adults in an Age of Global Pandemics［J］.Ethics and Information Technology，2021，23（1）：35-43.

［46］Brandtzaeg P B，Skjuve M，F(xiàn)lstad A.My AI Friend：How Users of a Social Chatbot Understand Their Human-AI Friendship［J］.Human Communication Research，2022，48（3）：404-429.

［47］鐘智錦，李瓊.人機(jī)互動(dòng)中社交機(jī)器人的社會(huì)角色及人類的心理機(jī)制研究［J］.學(xué)術(shù)研究，2024（1）：18-25.

［48］Song X，Xu B，Zhao Z Z.Can People Experience Romantic Love for Artificial Intelligence？An Empirical Study of Intelligent Assistants［J］.Information amp; Management，2022，59（2）：103595.

［49］Vázquez-Cano E，Mengual-Andrés S，López-Meneses E.Chatbot to Improve Learning Punctuation in Spanish and to Enhance Open and Flexible Learning Environments［J］.International Journal of Educational Technology in Higher Education，2021，18：1-20.

［50］Nguyen H，Nguyen V，López-Fierro S，et al.Simulating Climate Change Discussion With Large Language Models：Considerations for Science Communication at Scale［C］//Proceedings of the Eleventh ACM Conference on Learning@Scale.New York：Association for Computing Machinery，2024：28-38.

［51］Siddals S，Torous J，Coxon A.“It Happened to be the Perfect Thing”：Experiences of Generative AI Chatbots for Mental Health［J］.Npj Mental Health Research，2024，3（1）：48-56.

［52］Chen Z，Zhao X，Hua M，et al.Building Bonds Through Bytes：The Impact of Communication Styles on Patient-Chatbot Relationships and Treatment Adherence in AI-Driven Healthcare［C］//International Conference on Human-Computer Interaction.Cham：Springer，2025：32-52.

［53］Rajabi E，George A N，Kumar K.The Role of Knowledge Graphs in Chatbots［J］.The Electronic Library，2024，42（3）：483-497.

［54］Zhao X，Blum M，Yang R，et al.AGENTiGraph：An Interactive Knowledge Graph Platform for LLM-Based Chatbots Utilizing Private Data［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2410.11531v1.

［55］Yoo S，Jeong O.EP-Bot：Empathetic Chatbot Using Auto-Growing Knowledge Graph［J］.Computers，Materials amp; Continua，2021，67（3）：2807-2817.

［56］Wang H C，Liu C，Xi N W，et al.HuaTuo：Tuning LLaMA Model With Chinese Medical Knowledge［EB/OL］.［2024-12-19］.https：//arxiv.org/pdf/2304.06975.

［57］胡包鋼，譚鐵牛，王玨.情感計(jì)算——計(jì)算機(jī)科技發(fā)展的新課題［N］.科學(xué)時(shí)報(bào)，2000，3：24.

［58］Hsieh S H，Lee C T.The AI Humanness：How Perceived Personality Builds Trust and Continuous Usage Intention［J］.Journal of Product amp; Brand Management，2024，33（5）：618-632.

［59］Sethi S S，Jain K.AI Technologies for Social Emotional Learning：Recent Research and Future Directions［J］.Journal of Research in Innovative Teaching amp; Learning，2024，17（2）：213-225.

［60］Pentina I，Hancock T，Xie T L.Exploring Relationship Development With Social Chatbots：A Mixed-Method Study of Replika［J］.Computers in Human Behavior，2023，140：107600.

［61］Zhu X G，Zhou W，Han Q L，et al.When Software Security Meets Large Language Models：A Survey［J］.IEEE/CAA Journal of Automatica Sinica，2025，12（2）：317-334.

［62］Marvin G，Hellen N，Jjingo D，et al.Prompt Engineering in Large Language Models［C］//International Conference on Data Intelligence and Cognitive Informatics.Singapore：Springer Nature Singapore，2023：387-402.

［63］Ayad S，Alsayoud F.Prompt Engineering Techniques for Semantic Enhancement in Business Process Models［J］.Business Process Management Journal，2024，30（7）：2611-2641.

［64］邱昕鵬，李晶.基于大語(yǔ)言模型知識(shí)自蒸餾的引用意圖自動(dòng)識(shí)別［J］.情報(bào)雜志，2025，44（6）：119-126，118.

［65］張君冬，嚴(yán)穎，王震宇，等.融合大模型與圖嵌入模型的領(lǐng)域知識(shí)圖譜補(bǔ)全研究：以生物醫(yī)學(xué)為例［J/OL］.現(xiàn)代情報(bào)：1-18［2025-05-08］.http：//kns.cnki.net/kcms/detail/22.1182.G3.20250126.1747.004.html.

［66］Yu X，Luo T，Wei Y，et al.Neeko：Leveraging Dynamic LoRA for Efficient Multi-Character Role-Playing Agent［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2402.13717v3.

［67］Chen N，Wang Y，Jiang H，et al.Large Language Models Meet Harry Potter：A Dataset for Aligning Dialogue Agents With Characters［C］//Findings of the Association for Computational Linguistics：EMNLP 2023.Singapore：Association for Computational Linguistics，2023：8506-8520.

［68］Zhou J，Chen Z，Wan D，et al.CharacterGLM：Customizing Chinese Conversational AI Characters With Large Language Models［EB/OL］.［2024-12-19］.https：//arxiv.org/pdf/2311.16832.

［69］Chen Y，Qian S，Tang H，et al.LongLora：Efficient Fine-Tuning of Long-Context Large Language Models［C］//The Twelfth International Conference on Learning Representations.Hybrid：ICLR，2024.

［70］Wu C，Chen W，Chen H.Large Language Models Perform Diagnostic Reasoning［EB/OL］.［2024-12-19］.https：//arxiv.org/pdf/2307.08922.

［71］Li J T，Liu C，Tao C Y，et al.Dialogue History Matters！Personalized Response Selection in Multi-Turn Retrieval-Based Chatbots［J］.ACM Transactions on Information Systems，2021，39（4）：1-25.

［72］Dong Q，Li L，Dai D，et al.A Survey on In-Context Learning［C］//Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing.Miami：Association for Computational Linguistics，2024：1107-1128.

［73］Zhong Y，Xie J，Wang J，et al.Improving Large Language Models in Multi-Party Conversations Through Role-Playing［C］//International Conference on Intelligent Computing.Singapore：Springer Nature Singapore，2024：209-220.

［74］Root D.Reconfiguring the Alterity Relation：The Role of Communication in Interactions With Social Robots and Chatbots［J］.AI amp; Society，2025，40（3）：1321-1332.

［75］Casheekar A，Lahiri A，Rath K，et al.A Contemporary Review on Chatbots，AI-Powered Virtual Conversational Agents，ChatGPT：Applications，Open Challenges and Future Research Directions［J］.Computer Science Review，2024，52：100632.

［76］Wang Z，Hou L，Lu T，et al.Enabling Language Models to Implicitly Learn Self-Improvement［C］//The Twelfth International Conference on Learning Representations.Hybrid：ICLR，2024.

［77］Liu Y H，Han T L，Ma S Y，et al.Summary of ChatGPT-Related Research and Perspective Towards the Future of Large Language Models［J］.Meta-Radiology，2023，1（2）：100017.

［78］Bai Y，Li J，Shen J，et al.Investigating the Efficacy of ChatGPT-3.5 for Tutoring in Chinese Elementary Education Settings［J］.IEEE Transactions on Learning Technologies，2024，17：2102-2117.

［79］Tucker A D，Brantley K，Cahall A，et al.Coactive Learning for Large Language Models Using Implicit User Feedback［C］//Proceedings of Machine Learning Research.Vienna：ML Research Press，2024：48809-48822.

［80］Candon K.Towards Creating Better Interactive Agents：Leveraging Both Implicit and Explicit Human Feedback［C］//Proceedings of the 2023 International Conference on Autonomous Agents and Multiagent Systems.Richland：International Foundation for Autonomous Agents and Multiagent Systems，2023：3020-3022.

［81］Gao C，Lan X，Li N，et al.Large Language Models Empowered Agent-Based Modeling and Simulation：A Survey and Perspectives［J］.Humanities and Social Sciences Communications，2024，11（1）：1-24.

［82］Landwehr F，Doggett E V，Weber R M.Memories for Virtual AI Characters［C］//Proceedings of the 16th International Natural Language Generation Conference.Prague：Association for Computational Linguistics，2023：237-252.

［83］Zhang Z，Bo X，Ma C，et al.A Survey on the Memory Mechanism of Large Language Model Based Agents［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2404.13501v1.

［84］Tseng Y M，Huang Y C，Hsiao T Y，et al.Two Tales of Persona in LLMs：A Survey of Role-Playing and Personalization［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2406.01171v3.

［85］Sun S，Yao Y，Wu P，et al.PMMT：Preference Alignment in Multilingual Machine Translation via LLM Distillation［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2410.11410v1.

［86］Liu C，Zhang W，Zhao Y，et al.Is Translation All You Need？A Study on Solving Multilingual Tasks With Large Language Models［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2403.10258v2.

［87］Kuhlthau C C.Longitudinal Case Studies of the Information Search Process of Users in Libraries［J］.Library and Information Science Research，1988，10（3）：257-304.

［88］Xie Y G，Liang C Y，Zhou P Y，et al.When Should Chatbots Express Humor？Exploring Different Influence Mechanisms of Humor on Service Satisfaction［J］.Computers in Human Behavior，2024，156：108238.

［89］Wang X W，Cheng M M，Zhu J J，et al.When Texts Meet Emoji：A Multi-Stage Study of Tourism Brands［J］.Journal of Travel Research，2024，63（8）：2062-2077.

［90］Luangrath A W，Peck J，Barger V A.Textual Paralanguage and Its Implications for Marketing Communications［J］.Journal of Consumer Psychology，2017，27（1）：98-107.

［91］Niculescu A，Dijk B，Nijholt A，et al.Making Social Robots More Attractive：The Effects of Voice Pitch，Humor and Empathy［J］.International Journal of Social Robotics，2013，5（2）：171-191.

［92］Buck L，Vargas M F，McDonnell R.The Effect of Spatial Audio on the Virtual Representation of Personal Space［C］//2022 IEEE Conference on Virtual Reality and 3D User Interfaces Abstracts and Workshops（VRW）.Christchurch：IEEE，2022：354-356.

［93］Bai S Z，Yu D Y，Han C J，et al.Warmth Trumps Competence？Uncovering the Influence of Multimodal AI Anthropomorphic Interaction Experience on Intelligent Service Evaluation：Insights From the High-Evoked Automated Social Presence［J］.Technological Forecasting and Social Change，2024，204：123395.

［94］Xie Y G，Zhu K Y，Zhou P Y，et al.How Does Anthropomorphism Improve Human-AI Interaction Satisfaction：A Dual-Path Model［J］.Computers in Human Behavior，2023，148：107878.

［95］Zhang J B，Wang X L，Lu J D，et al.The Impact of Emotional Expression by Artificial Intelligence Recommendation Chatbots on Perceived Humanness and Social Interactivity［J］.Decision Support Systems，2024，187：114347.

［96］翁智剛，陳瀟瀟，張小妹，等.面向新型人機(jī)關(guān)系的社會(huì)臨場(chǎng)感［J］.心理科學(xué)進(jìn)展，2025，33（1）：146-162.

［97］Shanahan M，McDonell K，Reynolds L.Role Play With Large Language Models［J］.Nature，2023，623（7987）：493-498.

［98］Zhang S，Lu Y，Liu J，et al.Unveiling the Secrets of Engaging Conversations：Factors That Keep Users Hooked on Role-Playing Dialog Agents［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2402.11522v2.

［99］Li G，Hammoud H，Itani H，et al.Camel：Communicative Agents for“Mind”Exploration of Large Language Model Society［J］.Advances in Neural Information Processing Systems，2023，36：51991-52008.

［100］Drouin M，Sprecher S，Nicola R，et al.Is Chatting With a Sophisticated Chatbot as Good as Chatting Online or FTF With a Stranger？［J］.Computers in Human Behavior，2022，128：107100.

［101］Nass C，Lee K M.Does Computer-Synthesized Speech Manifest Personality？Experimental Tests of Recognition，Similarity-Attraction，and Consistency-Attraction［J］.Journal of Experimental Psychology：Applied，2001，7（3）：171-181.

［102］Eppler M J，Mengis J.The Concept of Information Overload：A Review of Literature From Organization Science，Accounting，Marketing，MIS，and Related Disciplines［J］.The Information Society，2004，20（5）：325-344.

［103］Sun Y，Li S H，Yu L L.The Dark Sides of AI Personal Assistant：Effects of Service Failure on User Continuance Intention［J］.Electronic Markets，2022，32（1）：17-39.

［104］張妍，趙宇翔，吳大偉，等.人智交互情境中用戶對(duì)生成式人工智能的心智感知及反應(yīng)研究［J］.情報(bào)理論與實(shí)踐，2024，47（8）：140-149.

［105］Trothen T J.Replika：Spiritual Enhancement Technology？［J］.Religions，2022，13（4）：275-288.

［106］Ahn J，Lee T，Lim J，et al.TimeChara：Evaluating Point-In-Time Character Hallucination of Role-Playing Large Language Models［C］//Proceedings of The Annual Meeting of the Association for Computational Linguistics.Hybrid：Association for Computational Linguistics，2024：3291-3325.

［107］Chen J，Wang X，Xu R，et al.From Persona to Personalization：A Survey on Role-Playing Language Agents［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2404.18231v2.

［108］Lu K，Yu B，Zhou C，et al.Large Language Models Are Superpositions of All Characters：Attaining Arbitrary Role-Play via Self-Alignment［EB/OL］.［2024-12-19］.https：//arxiv.org/pdf/2401.12474v1.

［109］Salewski L，Alaniz S，Rio-Torto I，et al.In-Context Impersonation Reveals Large Language Models Strengths and Biases［J］.Advances in Neural Information Processing Systems，2023，36：72044-72057.

［110］Wan Y，Zhao J，Chadha A，et al.Are Personalized Stochastic Parrots More Dangerous？Evaluating Persona Biases in Dialogue Systems［C］//Findings of the Association for Computational Linguistics.Singapore：Empirical Methods in Natural Language Processing，2023：9677-9705.

［111］Deshpande A，Murahari V，Rajpurohit T，et al.Toxicity in ChatGPT：Analyzing Persona-Assigned Language Models［C］//2023 Findings of the Association for Computational Linguistics：EMNLP 2023.Singapore：Association for Computational Linguistics，2023：1236-1270.

（責(zé)任編輯：楊豐僑）