夜雨聆风有个做在线教育的朋友跟我说：他们公司用大模型搭了个AI伴学，产品经理提的需求很简单：小学生提问时，AI要像幼儿园老师一样耐心温柔；高中生提问时，AI要像个竞赛教练，简洁犀利，有一说一。
可谁知，技术部折腾了两周，给出两个方案：要么写两套巨长无比的提示词，祈祷模型别演着演着就崩；要么微调两个模型，一个温柔版一个犀利版。第一个方案不稳定，聊着聊着AI就开始胡编乱造；第二个方案成本特别高，每多一个人格就要多训一个模型，GPU烧得肉疼。
哥们最后问我：有没有一种办法，让一个模型瞬间变成任何人，而且不花大钱？
当时没有。但现在有了，就是接下来介绍的 PersLLM。
你写的提示词，为什么总在长对话里失效？
这个问题可能困扰过每个玩过AI角色扮演的人。
你费尽心思写了一大段设定：“你是一个毒舌但专业的法律顾问，说话简洁，偶尔带点讽刺，绝不啰嗦。”前几轮对话还行，能感觉到那味儿。但聊着聊着，你会发现它开始说车轱辘话了，开始变得像个普通的客服了，你精心设定的那些特质像沙子一样从指缝里漏掉了。
不是模型不听话。是它的“注意力”被稀释了。
大模型在生成长文本时，越往后，它对开头那几段提示词的关注度就越低。就像你跟一个人交代了十件事，他办到第七件的时候可能已经忘了第一件是什么。传统提示词是写在对话最开头的，聊得越久，它就离模型的“注意力中心”越远，自然越来越淡。
微调倒是能解决这个问题，但微调一个人格的成本大概是几万到几十万，还得准备海量对话数据。你不可能为每一种角色都微调一次。这账根本算不过来。
PersLLM干了件很“贼”的事
它换了个思路。
不把人格写在提示词里，也不去修改模型本身。它只在模型准备说话的时候，悄悄地、持续地“拨”一下模型内部的偏好开关。
具体来说，你给它几段目标角色的对话样本——比如几段律师咨询记录。它不看内容讲的是什么案子，只看这个人说话的方式。用词是口语还是书面？句子是长还是短？回应是直接还是迂回？然后把这些风格特征压成一个小小的“人格向量”。
这个向量，就是那个律师的“说话灵魂”。
在模型准备回答你的时候，这个向量会持续地、轻微地调整模型生成每个词时的倾向。同样一个问题“我该怎么处理这个合同纠纷”，模型的知识储备是一样的，但如果没有向量调制，它可能说：“建议您咨询专业律师，通过法律途径解决纠纷。”有向量调制后，它可能说：“先看合同第4条。对方已经触发了解除条件，你不用跟他客气。”
内容都对，但一个是通识回答，一个是律师口吻。PersLLM做的事，就是在不改变内容实质的前提下，精确控制“怎么说话”。
一个模型，万亿种人格，切换成本是零
这件事的商业价值在哪？
如果你是一家做AI客服的公司，你的客户有卖母婴用品的，有做工业设备的，有开医美诊所的。每一家都希望AI的说话风格和自己的品牌调性匹配。以前你怎么做？要么给每个客户维护一套复杂的提示词模版，要么针对大客户做专门微调。前者不稳定，后者养不起。
用PersLLM的逻辑，你只需要从每个客户那里拿几段他们满意的真人对话记录，提取成人格向量存进数据库。切换客户的时候，系统自动调出对应的向量，同一个模型底座就变成了完全不同的“人”。母婴客服温柔耐心，工业客服严谨准确，医美客服亲和但不轻浮。
没有任何额外训练成本。不需要GPU。人格向量小到可以放在内存里随时调用。这相当于把“个性化AI”这件事，从定制品变成了标品。而定制品和标品之间，隔着一整个商业化的鸿沟。
还有个更有意思的方向
我一直觉得，内容行业会是最早被这种技术改变的领域之一。
做游戏的朋友经常抱怨，NPC的对话永远是那几套模版，玩家聊两圈就知道这是个机器人。如果能给每个NPC都生成一个PersLLM的人格向量呢？村口铁匠说话粗鲁直接，酒馆老板娘八卦刻薄，城主大人严肃傲慢。同一个对话模型底座，不同NPC加载不同人格。玩家和铁匠聊天，跟和城主聊天的体验完全不同。
而且这些角色不会演着演着就崩了。因为人格向量是持续调制的，不管对话进行多久，铁匠永远粗鲁，城主永远傲慢。角色一致性，是沉浸感的基石。
更进一步想，短视频和直播里的虚拟人，是不是也可以用同样的技术来稳定人设？一个虚拟主播，今天毒舌明天温柔，观众会觉得它精分。但如果有一个持续调制的“人设向量”，它就可以在成千上万小时的直播里保持一致的人格表现。
这事给我最大的触动
很多人觉得要把AI用好的核心，是选对模型、堆够数据、调好参数。但PersLLM提供了一个完全不同的思路：模型内部其实已经拥有了成为各种人的“原材料”，只是缺少一把精准的钥匙去按需提取。
这个洞察挺重要的。因为它意味着我们不需要再造一个模型，只需要学会怎么更聪明地使用已有的模型。
从“造新车”到“换挡位”，这中间省下的不只是钱，还有把AI从极客玩具变成大众工具的那道坎。
相关资源：
- 📄 arXiv：https://arxiv.org/abs/2504.09559
- 🧬 Git：https://github.com/PointLLM/PointLLM-2.0