Agent的性格化，不是给AI加人设，而是给系统加缓存

上周在WAIC 2026现场，北电数智的展台前排队做MBTI测试的人，比旁边试用大模型写代码的还多。这个现象挺有意思。用户对着一个“性格匹配”的交互屏，愿意花8道题的时间，不是为了得到一个精确的MBTI结果，而是为了拿到一张“我的Agent角色卡”。

从架构角度看，这跟推荐系统早期从“猜你喜欢”进化到“懂你性格”是同一个逻辑——当基础能力不再构成壁垒，体验差异就要靠认知层面的理解来制造。

先看技术实现上的可行路径

北电数智这次展示的Agent性格测试，本质上是在做一件事：通过轻量级交互，为每个用户建立一套行为偏好向量。这个向量不是用来做大模型推理的，而是用来做系统级的行为模式匹配。

具体怎么落地，我拆成三个层次：

1. 性格标签作为缓存层。用户做8道题，系统得到的不只是一个“INTJ”或“ENFP”的标签，而是一组高维度的行为预期。比如对“INTJ”用户，系统可以预判其更倾向于结构化回答、更在意逻辑连贯性。这个预判不需要每次推理时都重新计算，直接作为prompt的system message固定注入即可。延迟从实时推理的200ms降低到缓存命中的5ms。

2. 反馈闭环的冷启动加速。传统推荐系统冷启动至少需要30-50次交互才能收敛用户画像。性格测试在这起的作用，是给系统一个初始的“先验分布”。我在字节做推荐时，新用户前3次点击的行为，往往比后续100次交互更能反映真实偏好。性格测试相当于把这种“冷启动信号”提前到了第1次交互之前。

3. 多模态交互中的性格一致性。Agent不只是文本对话，还有语音、表情、动作。如果Agent的性格是“谨慎型”，那么它的语音语速、停顿频率、甚至表情切换的速率，都应该适配。这种多模态一致性，需要后端有一个统一的性格配置中心，而不是在每次对话里单独渲染。

但问题在于，性格化是否真的能提升用户体验

从技术角度看，有几个明显的trade-off：

• 性能开销。性格配置意味着每次推理都要多加载一个“角色模板”，这个模板的参数量如果控制在10KB以内，影响可以忽略。但如果要支持动态性格调整（比如Agent根据用户情绪实时切换性格），那就要引入一个轻量级的性格推理模块，额外推理成本大约是主模型的5%-8%。

• 数据隐私。性格测试收集的数据，本质上属于敏感个人信息。如果系统要持续学习用户的性格变化，就需要一个长期存储的“性格档案”。这在合规上是个大坑。北电数智的方案如果只做单次匹配、不留存数据，才是安全的架构选择。

• 扩展性限制。性格标签是离散的（16种MBTI），但用户的真实偏好是连续的。如果系统只支持16种性格模板，那本质上就是16个不同的prompt前缀，跟“换肤”没区别。真正有价值的是在性格标签之上，叠加一个用户行为修正系数，比如“INTJ+高协作性”这种组合。

我看好这个方向，但更关注落地形态

用表格对比两种常见方案：

从表格能看出，性格标签方案更适合入门级、轻量级的Agent产品，而用户画像记忆方案更适合需要深度个性化、高频交互的场景。

北电数智的这步棋，其实是在打一个认知锚点。用户跟Agent之间的关系，从“工具-用户”变成了“伙伴-伙伴”。一旦用户在心理上给Agent赋予了一个“性格”，那么后续的交互粘性会有质的提升。我猜测，他们的核心指标不是性格匹配的准确率，而是“用户次日留存率”。

从工程角度看，真正需要警惕的是过度人格化

给Agent加性格，本质上是在做人机交互的心理预设。用户一旦认为Agent

原文链接：WAIC 2026 | 如果Agent有性格，你的智能伙伴会是什么样的？ – 量子位