一份來自范德堡大學、Adobe Research等機構的對話模擬全景報告

這項由范德堡大學、Adobe Research、耶魯大學、俄勒岡大學、加州大學圣地亞哥分校、杜比實驗室、加州大學伯克利分校、思科AI研究院、南加州大學、德州農工大學、加州大學戴維斯分校等十余家機構聯合開展的研究，以預印本形式于2026年4月27日發布在arXiv平臺，編號為arXiv:2604.24977v1。這是一篇系統梳理"基于大語言模型的對話式用戶模擬"領域進展的綜述論文，對于任何關心AI如何理解、模仿和替代人類對話行為的讀者而言，這份報告幾乎是一張完整的地圖。

一、為什么我們需要讓AI"假扮"用戶？

你有沒有想過，當一個客服機器人在訓練的時候，它怎么知道真實用戶會問什么問題？難道真的要雇傭成千上萬個真人來與它聊天嗎？答案當然不是——這就是"用戶模擬"技術存在的根本原因。

用戶模擬，簡單來說，就是用程序模擬真實人類的對話行為。這個需求由來已久，早在人們玩《模擬人生》這類游戲時，背后就有一套程序在模擬虛擬居民的喜好和行為。而在計算機科學領域，用戶模擬一直是推薦系統、對話系統、人機交互研究的幕后功臣——每當一個AI系統需要在正式上線前反復練習，模擬用戶就是那個陪它練習的"假想敵"。

然而，過去的模擬方法有一個嚴重的局限：它們太"死板"了。傳統的統計模型，比如用來預測你下一步會點哪個商品的協同過濾算法，或者用來猜測你在搜索結果上會不會點擊的點擊模型，都需要大量真實用戶數據來訓練，而且每套模型只能用于特定場景。想換個場景？重新訓練。想模擬更復雜的對話？對不起，超出能力范圍。

大語言模型（LLM）的出現徹底改變了這一局面。這類模型——比如你可能聽說過的ChatGPT——通過閱讀海量的人類文字，學會了用自然語言進行對話。正因如此，它們天然具備了"模擬人類對話"的能力，而且不需要為每個場景單獨訓練。這就像一個演員，過去只能演固定的角色，現在突然獲得了即興創作的能力，可以扮演任何角色、應對任何場景。

這篇綜述正是在這個背景下應運而生。研究團隊注意到，雖然已經有大量研究在利用大語言模型模擬用戶對話，但這個領域缺少一個系統性的框架來理解和整理這些工作。于是，他們從浩如煙海的文獻中梳理出一套統一的分類體系，回答三個核心問題：模擬的是誰？模擬的是什么？用什么方法模擬？

二、模擬的是誰？從"大眾臉"到"獨一無二的你"

正如在現實生活中，"用戶"這個詞可以指代非常不同的人——有的人是隨便逛逛的路人，有的人有鮮明的個性，有的人是某個歷史人物，有的人就是你這個具體的個體——對話模擬也面臨同樣的分層需求。研究團隊將模擬對象分為四個層次，從最籠統到最精細，構成了一個由淺入深的譜系。

最基礎的層次是"通用用戶模擬"。這種模擬不給AI任何特殊信息，就讓它扮演一個普通用戶——沒有姓名、沒有背景、沒有特定偏好，就是一個"平均人"。這類模擬的優點是簡單通用，缺點是缺乏個性。ChatGPT默認情況下扮演的就是這樣一個角色。近年來，研究者們在這個方向上做了不少改進，比如通過多輪對話的優化策略讓模擬更自然，或者通過"失敗案例學習"讓模擬更健壯。

更精細一層的是"人格級用戶模擬"。這里，AI被賦予了一套具體的屬性，比如年齡、職業、興趣愛好、說話風格等。用一個類比來說：通用用戶模擬像是用面粉加水做出的一塊白面團，而人格級模擬則是在面團里加入了香料和色素，讓它有了明確的味道和顏色。研究者們探索了多種賦予AI"人格"的方法，包括直接在提示詞里描述人格特征、使用心理學量表（比如著名的"大五人格"模型）來量化人格、以及訓練專門的模型來穩定表現特定人格特質。

然而，這條路并非坦途。研究發現，給AI賦予特定人格有時會帶來意想不到的副作用：模擬某些敏感人口群體時，AI可能會放大偏見和刻板印象；模擬政治立場時，結果可能偏向某一方；更嚴重的是，某些人格配置甚至會導致AI產生更多有毒內容。這提醒我們，"人格模擬"不只是技術問題，更是倫理問題。

第三個層次是"角色扮演模擬"。與人格級模擬不同，這里模擬的不是一組抽象屬性，而是一個具體的人物——可以是歷史人物、小說角色，甚至是真實存在的公眾人物。正如人格級模擬可以描述"一個20歲的程序員"，而角色扮演則能呈現"20歲時的馬克·扎克伯格"，包括他當年的說話風格、思維方式和歷史背景。AI在這里調用的是它在訓練時積累的關于這個人物的隱性知識。

為了讓角色扮演更逼真，研究者們開發了各種技術：有的通過精心設計的提示詞來引導AI進入角色，有的通過微調訓練讓AI更穩定地保持角色特征，有的則通過"自我對弈"（讓AI自己和自己對話）來強化角色一致性。但挑戰也隨之而來：當角色知識與訓練數據不一致時，AI可能會產生"角色幻覺"——比如讓一個莫扎特角色回答編程問題，AI可能會給出莫扎特絕不可能知道的內容。更危險的是，有研究者發現，角色扮演的漏洞甚至可以被用來繞過AI的安全限制，誘導它說出有害內容。

最精細的層次是"個體用戶模擬"，也是最接近"復刻真實的你"的嘗試。這里，AI的依據不是泛泛的人格描述，而是某個具體用戶留下的真實軌跡：聊天記錄、文檔、操作歷史……總之，是那個人所有可以獲取的個人上下文。這就像是用一個人的日記、照片和視頻來訓練一個"數字分身"，它說話的方式、關心的話題都與那個真實的人高度吻合。實現這一目標的技術路徑包括：直接將用戶資料注入提示詞、從對話歷史中學習個人化表達習慣、以及跨多次對話會話維持長期記憶等。

在實踐中，這四個層次往往并非涇渭分明。大型模型如GPT和LLaMA在使用時常常自然地混合了這些層次的特征——一個"通用"的ChatGPT在回答時，實際上可能已經在某種程度上展現了人格和角色的痕跡。研究團隊將這種現象稱為"混合用戶模擬"，并指出這種混合在多智能體交互場景中尤為常見，也尤為需要系統性的理論框架來加以理解。

三、模擬的是什么？四種對話劇本

確定了"模擬誰"之后，下一個問題是"模擬什么樣的對話"。研究團隊將對話模擬的目標分為四種基本范式，就像四種不同的劇本類型。

第一種是"人類與AI之間的對話模擬"。這是最常見的場景：一方是被模擬的人類用戶，另一方是AI系統。模擬的目標通常是生成高質量的訓練數據，或者測試AI系統的能力邊界。一個典型的應用是生成"指令-回答"對，來訓練更聽話、更有用的AI助手。Self-Instruct、WizardLM等知名框架都屬于這類應用的典型案例。此外，醫療領域的"模擬患者與醫生對話"、博物館的"AI導覽對話"等，也都是這一范式的具體落地。

第二種是"人類與人類之間的對話模擬"。這里，兩個對話方都是被模擬的人類，AI扮演的是幕后的"對話生成器"角色。這類模擬對于研究人類自然對話非常有價值，也被廣泛用于構建對話數據集。著名的PersonaChat數據集就是讓真實用戶扮演帶有具體人格特征的角色互相對話，而EmpatheticDialogues數據集則聚焦于情感共鳴的人際對話。除了人工采集，研究者們也探索了"自我對弈"策略，讓系統自動生成大量模擬對話，從而降低對人工標注的依賴。

第三種是"AI與AI之間的對話模擬"。兩個AI智能體在沒有持續人類介入的情況下互相對話，只需要一個初始的"種子提示"來啟動對話。這類模擬的最大價值在于規模和速度：AI可以不知疲倦地24小時生成對話數據，速度遠超人工。更有趣的是，研究者們發現，當多個AI智能體在共享的虛擬環境中長期交互時，它們會自發地涌現出類似人類社會的行為模式——比如形成社會規范、建立合作關系、甚至展開策略性博弈。斯坦福大學著名的"Smallville"虛擬小鎮實驗就是這類研究的代表，25個AI智能體在一個虛擬社區里"生活"，自發產生了令人驚嘆的社交行為。

第四種是"多人類與AI之間的對話模擬"。這是前三種范式的進一步延伸：多個人類用戶同時與一個或多個AI系統交互，形成群體性的協作對話。這類場景在現實中越來越普遍——比如多人參與的在線會議、團隊協作工具、多人教育平臺等。研究者們已經探索了AI作為團隊成員參與軟件開發協作、AI替代缺席的會議參與者等應用場景。

值得注意的是，在真實系統中，這四種范式往往會相互滲透和混合。就像Smallville虛擬小鎮，從宏觀上看是AI與AI的交互，但每個AI智能體的內部對話卻呈現出人類對話的特征。研究團隊將這種現象稱為"混合模擬"，并呼吁學界建立更系統的理論框架來理解和評估這類復雜場景。

四、用什么方法模擬？從提示詞到強化學習的工具箱

知道了"模擬誰"和"模擬什么"，剩下的關鍵問題是"怎么做"。研究團隊梳理了四大類核心技術方法，從最簡單到最復雜，構成了一個完整的技術工具箱。

最直接的方法是"基于提示詞的模擬"。這就像是給AI下達工作指令——你告訴它"你現在是一個20歲的大學生，對籃球感興趣，語氣要隨意"，然后讓它生成對話。根據提示詞的詳細程度和格式，這類方法可以分為幾個子類型。零樣本提示（不給任何示例，直接描述要求）和少樣本提示（提供幾個示例對話作為參考）是最簡單的形式，適合快速生成大量多樣化的對話數據。思維鏈提示則更進一步，要求AI在生成對話之前先展示自己的推理過程，就像讓學生先打草稿再寫答案，這樣生成的對話邏輯更嚴密。人格和角色扮演提示則專門用于賦予AI特定的身份特征，讓生成的對話更有個性。任務特定提示則針對特定領域（比如醫療咨詢、技術支持）定制對話生成規則。

第二類方法是"檢索增強生成（RAG）"。單靠AI自身的知識有時候不夠用，于是研究者們給AI配備了一個"外掛搜索引擎"——在生成每一輪對話之前，先從外部知識庫里檢索相關信息，再把這些信息喂給AI來生成更準確、更有信息量的回復。這就像一個演員在表演前先快速查閱角色的背景資料。根據檢索的觸發機制，這類方法又可以細分為三種變體：始終觸發型（每一輪對話都檢索），自適應觸發型（由一個學習到的分類器決定什么時候需要檢索，從而避免無謂的檢索浪費），以及目標/狀態驅動型（根據用戶當前的目標和記憶狀態來決定檢索什么內容）。

第三類方法是"微調"。這相當于從頭開始培訓一個專門的演員，而不是臨時找一個通用演員來客串。具體做法是：收集一批真實的用戶對話數據，然后用這些數據對預訓練的大語言模型進行再訓練，讓它專門學會如何像真實用戶那樣說話。根據訓練方式的不同，微調技術又分為全量參數微調（把整個模型都重新訓練一遍，效果好但成本高）、參數高效微調（只調整模型中一小部分參數，成本更低，常用LoRA等輕量化方法），以及交互式/自我對弈微調（讓模型在與系統的交互反饋中不斷優化自己）。SoulChat用這種方法在240萬輪同理心對話數據上訓練出了一個擅長情感支持的對話模型，DAUS則通過微調將對話系統的幻覺率降低了一半。

第四類方法是"強化學習與直接偏好優化（RL/DPO）"。這是最復雜也最強大的一類方法。與微調不同，強化學習不是告訴AI"應該怎么說"，而是通過獎勵和懲罰來讓AI自己摸索出最優的對話策略。就像訓練小狗：做對了給零食，做錯了不給。在用戶模擬領域，這類方法被用來訓練能夠主動探索用戶偏好、長期規劃對話策略、或者精準識別用戶意圖的模擬器。ArCHer系統就是這類方法的代表，它采用分層強化學習，一個高層策略負責規劃宏觀對話目標，一個低層策略負責生成具體的詞語，兩者協作來優化跨越數十輪的長對話。

在實踐中，最先進的系統往往綜合運用多種方法。檢索增強的微調（在訓練時就把檢索到的知識注入進去，而不只是在推理時用），提示詞到微調的流水線（先用提示詞生成大量合成數據，再用這些數據微調模型），RAG與強化學習的循環（檢索機制和策略優化相互協作）……這些混合方法代表了該領域目前最前沿的技術狀態。

五、如何判斷模擬做得好不好？評估的三把尺子

做出了用戶模擬，怎么評價它做得好不好？這看似簡單的問題，其實是研究中最棘手的挑戰之一。

最傳統的評估手段是用各種計算指標來量化對話質量。比如BLEU和ROUGE，這兩個指標通過比較生成的對話與參考對話之間的詞語重疊程度來打分，就像用相似度來衡量兩篇文章有多像。槽位F1（Slot-F1）則專門用于任務型對話，檢查AI有沒有正確理解和完成用戶的具體請求，比如訂餐時有沒有正確記錄"不放辣"這個條件。這類指標的優點是快速、可重復，缺點是只能捕捉對話的表面特征，無法評估對話是否真正自然、是否真正符合人類的說話方式。

正因如此，人工評估在高要求場景下仍然是黃金標準。評估者會直接閱讀對話記錄，從自然度、連貫性、人格一致性、任務完成度等多個維度打分，或者在兩個系統之間做AB測試。雖然耗時費力，但這種評估方式能捕捉到那些數字指標無法衡量的細膩維度——比如"這句話聽起來像真人說的嗎？"

近年來興起的"LLM作為評判者"（LLM-as-Judge）方法則代表了一種折中方案：讓另一個強大的AI來自動評估模擬對話的質量。實際操作中，評估者通常會先定義評估維度和打分量表（比如1到5分的李克特量表），再提供幾個校準示例，然后讓AI評判者在給出最終分數之前先解釋自己的推理過程。這種方法的優點是速度快、成本低；缺點是AI評判者本身也有局限性，容易受提示詞措辭的影響，并且可能帶有自己的偏見。為了解決這個問題，研究者們探索了對稱提示（同時從兩個方向評估）、多評判者投票、以及用人工評分來驗證AI評分可靠性等方法。

除了這三類主流評估方法，研究團隊還特別強調了"可信賴評估"和"因果/離線評估"的重要性。這類評估不只關注對話質量，還要檢驗模擬系統在面對不確定性時是否可靠，在遇到分布偏移（即實際使用環境與訓練環境不同時）時是否依然穩健，以及能否在不同話題和用戶群體之間保持一致性。

六、這些技術用在哪里？從推薦系統到課堂教學

用戶模擬不是一項自說自話的研究，它的價值在于能夠服務于多樣化的現實應用。研究團隊梳理了這一技術目前最主要的幾個落地領域。

在推薦系統領域，用戶模擬幫助開發者在不需要大量真實用戶參與的情況下，測試和優化推薦算法。通過配置不同偏好和行為模式的模擬用戶，研究者可以系統地評估推薦系統在各種場景下的表現，包括那些真實用戶很少遇到的極端情況。CSHI框架就是專門為對話式推薦系統設計的可控可擴展模擬工具，它能夠模擬用戶的偏好記憶和實時反饋，讓推薦系統的測試更全面也更真實。

在教育領域，用戶模擬正在開啟一種全新的教學輔助方式。模擬學生可以幫助教師或教學AI在上崗前反復練習，就像飛行員在模擬器里練習起降，教師也可以在模擬課堂里練習應對各種學生反應，而不必擔心影響真實學生。另一方面，模擬教師和智能輔導系統也在不斷發展，為學生提供個性化的學習支持。模擬"不同認知水平的學生"——包括那些常犯的錯誤和典型的誤解——是這個方向的重要研究前沿。

在人機交互和界面設計領域，用戶對話模擬提供了一種低成本的早期測試手段。一個簡單的現實是：很多公司的用戶研究團隊嚴重不足，研究員與設計師的比例有時低至1:5。在這種資源約束下，模擬用戶可以幫助設計團隊在真實用戶測試之前發現大量潛在問題，大幅節省時間和成本。一項有趣的研究甚至發現，AI模擬對話有時被人類評估者認為比真實用戶的回應"更像人"——這固然令人驚訝，但也說明模擬技術已經達到了相當的逼真程度。

在視頻理解領域，用戶對話模擬開始承擔全新角色。VideoAutoArena框架利用模擬用戶來生成開放式的、針對視頻內容的自適應問題，然后用這些問題來評估AI的視頻理解能力。相比傳統的靜態選擇題測試，這種模擬用戶驅動的評估更能反映真實用戶在觀看視頻時的信息需求。

七、還有哪些沒解決的難題？

說完了成就，研究團隊也坦誠地列出了這個領域目前面臨的主要挑戰，這些挑戰揭示了從"能用"到"好用"之間還有多遠的距離。

長對話的一致性問題是最突出的挑戰之一。模擬系統在短對話中表現不錯，但一旦對話延伸到數十輪乃至更長，問題就開始涌現：人格開始漂移（前幾輪說自己是素食主義者，后來又說喜歡吃烤肉）、目標開始模糊（忘記了最初的對話目的）、甚至出現自相矛盾的陳述。更根本的問題是，模擬用戶往往"太配合"——真實用戶會拒絕、會走神、會改變話題，而模擬用戶則傾向于一路配合到底，顯得不夠真實。解決這些問題需要更強的記憶機制、更好的話語規劃能力以及更真實的"用戶行為模型"。

多樣性不足是另一個深層挑戰。現有的模擬系統傾向于復現訓練數據中占主流的文化和語言模式，導致生成的對話過于禮貌、過于同質化，缺乏真實用戶群體中那種豐富的個體差異。雖然提示詞技術可以在一定程度上引導模擬產生不同的情緒、詳細程度和表達策略，但這種控制能力仍然有限。大多數研究還停留在單用戶場景，對多用戶動態交互和群體行為的模擬幾乎還沒有成熟的方法。

偏見和有害內容的風險則是最需要認真對待的挑戰。當模擬涉及敏感人口群體或公眾人物時，大語言模型可能將訓練數據中的偏見放大，生成帶有歧視性刻板印象的內容，甚至在某些角色扮演配置下產生有毒輸出。這類風險不僅會影響研究本身的可靠性，更會在實際部署時造成真實的社會危害。目前，提示詞過濾和模型對齊技術提供了部分防護，但針對模擬場景的專門安全協議仍然缺失。

評估標準不統一是貫穿整個領域的橫向問題。不同研究使用不同的評估維度、不同的打分量表、不同的評判者，導致結果之間幾乎無法比較。建立一套標準化的、多層次的評估流程，是這個領域走向成熟的必要條件。

此外，角色扮演中的知識更新問題也日益突出。模擬靜態的歷史人物或虛構角色相對容易，但如果要模擬一個活躍的現實人物——比如某位CEO或科學家——就需要AI隨著那個人的公開行為和知識不斷更新，同時又要保持角色的一致性。如何在"與時俱進"和"保持角色穩定"之間取得平衡，目前還沒有成熟的解決方案。

歸根結底，這份報告是一張既展示了成就、也誠實標注了空白地帶的地圖。大語言模型確實給對話式用戶模擬帶來了革命性的提升，讓研究者們能夠以前所未有的規模和靈活度生成高質量的模擬對話。但距離真正逼真、真正可信、真正公平的用戶模擬，這個領域還有相當長的路要走。

對于普通人來說，這項研究的意義也許在于：當你下次與一個客服機器人、教育AI或智能推薦系統交互時，你可以思考一下——它對你行為的理解，有多少來自對真實人類的觀察，又有多少來自某個模擬系統生成的"假想用戶"？模擬的越來越像真的，真的和假的之間的界限在哪里？這或許是值得我們每個人去思考的問題。

有興趣深入探索的讀者可以通過arXiv編號2604.24977查閱完整論文，原文包含了超過300篇參考文獻的完整索引和數十張分類表格，是深入了解這一領域的極佳起點。

Q&A

Q1：大語言模型用戶模擬和傳統用戶模擬方法有什么主要區別？

A：傳統用戶模擬需要大量真實用戶數據訓練，而且只能用于特定場景，換場景就得重新訓練。大語言模型用戶模擬依賴模型在預訓練階段積累的海量語言知識，不需要為每個場景單獨訓練，也不需要大量領域數據，還能通過提示詞靈活調整模擬對象的特征，適應范圍更廣，成本也更低。

Q2：角色扮演模擬中提到的"角色幻覺"是什么意思？

A：角色幻覺是指AI在扮演某個角色時，生成了與該角色真實特征不符的內容。比如讓AI扮演莫扎特，它可能會給出莫扎特不可能知道的現代編程知識。更嚴重的是，這種角色扮演的漏洞有時會被利用來繞過AI的安全限制，誘導它說出在正常情況下會拒絕說的內容，是當前角色扮演研究中需要重點防范的安全問題。

Q3：對話式用戶模擬技術在教育領域具體是怎么用的？

A：在教育領域，用戶模擬主要有兩種用途。一是模擬學生，幫助教師或教學AI在上線前練習應對各種學生問題和反應，類似飛行模擬器的作用，讓教學者在低風險環境下反復練習。二是模擬教師或輔導員，為真實學生提供個性化的學習支持和問題解答。目前研究前沿是如何讓模擬學生更真實地呈現不同認知水平下的典型錯誤和誤解，從而讓教學練習更有針對性。