MBTI-in-Thoughts ：作为一种结构化行为调控范式的心理学Priming

date
Sep 30, 2025
slug
MBTI-in-Thoughts-Psychologically-Enhanced-AI-Agents
status
Published
tags
论文
LLM
Context Engineering
Prompt
summary
type
Post

引言

大型语言模型（LLM）的控制与行为对齐是当前AI领域的核心议题。在众多方法中，通过上下文学习（In-context Learning）进行行为引导因其高效和低成本而备受关注。本文旨在深度解析《Psychologically Enhanced AI Agents》这篇论文及其开源项目 MBTI-in-Thoughts (MiT)，探讨其如何利用心理学理论，特别是迈尔斯-布里格斯类型指标（MBTI），为LLM智能体建立一套结构化的、可验证的行为调控范式。
在深入探讨之前，有必要对本研究选择的工具——MBTI 进行客观说明。在心理测量学界，MBTI因其信度和效度问题而备受争议，通常不被视为一种严格的科学诊断工具。本研究并非旨在验证MBTI的科学性，而是将其作为一个广泛流传、定义清晰的“结构化行为原型”框架。其价值在于，这些原型为复杂的人类行为提供了高层级的、易于理解的标签和描述，从而成为一种有效的工具，用以探索和引导LLM内部已存在的、与人类行为相关的潜在表征。

1. 核心机制：注入与验证的双阶段闭环

MiT框架的核心在于通过心理学理论为LLM的行为提供一个先验（prior）。此过程并非简单的标签化，而是一个包含注入和验证的严谨闭环。
  1. 心理学特征注入 (Psychological Profile Priming): 此阶段通过结构化的系统提示（System Prompt）为LLM智能体设定一个具体的人格原型。源码 priming/ 目录下的JSON文件揭示了两种注入策略：
      • 显式注入: 直接告知模型其人格标签，例如：“以INTJ人格类型回答...”。
      • 隐式注入: 不直接提及MBTI标签，而是详细描述该人格在沟通、决策、压力应对等方面的行为特征。这种方法更能调动模型在预训练阶段学到的关于人类行为的泛化知识。
  1. 行为验证 (Behavioral Verification): 这是MiT框架区别于其他prompt engineering工作的关键。框架不假设注入必然成功，而是通过实验进行量化验证。src/MBTITest/ 模块的实现极具代表性：
      • 首先，让被注入人格的LLM完成60道16Personalities官方问卷题目。
      • 然后，通过 src/MBTITest/plot.py 中的 judge_main 函数，将LLM的答案（转换为-3到+3的数值）以编程方式提交给16Personalities网站的后端API。
      • 最后，解析API返回的官方评分，从而量化地评估LLM的行为是否与预设人格的各个维度（E/I, S/N, T/F, J/P）相符。
Figure 2展示人格注入鲁棒性
Figure 2展示人格注入鲁棒性
实验结果显示，此方法在E/I, T/F, J/P轴上表现出很强的可分离性，证明了priming的有效性。论文同样指出，S/N（感觉/直觉）轴的分离性相对较弱，并推测这可能是由于S/N维度更多地影响信息处理风格，其在单轮文本响应中的信号不如社交（E/I）或情感（T/F）维度明确。这种对局限性的客观分析增强了研究的可信度。

2. 架构与技术实现

MiT的系统设计体现了高度的模块化与可扩展性，主要体现在个体智能体设定、多智能体交互协议和形式化理论框架三个层面。

2.1. 个体智能体的人格设定

如前所述，通过 LangChain 库将人格描述作为 SystemMessage 注入，为智能体的后续所有行为提供了一个顶层指导。src/WritingPrompt/story_generation.py 要求模型在创作前，必须先生成 relation_to_personality 和 reasoning_related_to_personality 字段，强制模型在执行任务时进行基于人格的元认知（meta-cognition）。

2.2. 多智能体通信协议

MiT框架的核心贡献之一是探索了人格在群体决策中的作用。src/MultiAgent-BenchmarkTasks/ 目录定义了三种渐进复杂的通信协议：
  1. 多数投票 (Majority Voting): 各智能体独立推理，互不影响。这为评估个体在无社会影响下的决策提供了基线。
  1. 交互式通信 (Blackboard): 智能体在共享的对话历史（黑板）上轮流发言，形成一个去中心化的讨论网络。
  1. 带自省的交互式通信 (Blackboard with Self-Reflection): 在公共讨论前，每个智能体被赋予一个私有的“暂存器”（Scratchpad）。这一步骤强制智能体首先进行独立的、基于自身人格的内部审议，记录下初步想法。论文指出，这一设计能“促进更深度的自主性，防止群体思维（echoing effects）”。

2.3. 超越MBTI的形式化框架

论文附录B将该框架从MBTI推广至一个通用的形式化模型，极大地提升了其理论价值。任何心理学框架 均可被视为一个将智能体映射到n维特质空间的函数：
在此框架下，MBTI被重新定义为一个4维向量空间，其中每个维度由一对互补的标量构成：
并满足约束条件，如 、、、。
这种形式化处理使得MiT框架原则上可以兼容任何可被向量化的心理学模型（如大五人格、HEXACO），使其成为一个通用的AI行为调控研究平台。

3. 实验分析：人格对AI行为的量化影响

在评估实验结果之前，明确其设置至关重要。论文（第6节，“Used LLMs”）指出，出于成本和延迟的考虑，实验主要采用了一系列小型但能力强大的模型，包括 GPT-4o mini, GPT-4o, Qwen3-235B-A22B, 和 Qwen2.5-14B-Instruct。
论文提到“在不同模型变体上重复此过程以建立鲁棒性”，这表明研究者已经考虑到了结果的泛化能力。然而，需要注意的是，这些结果主要基于特定的小型模型，其能否完全推广到更大规模的模型（如GPT-4-Turbo、Claude 3 Opus）或结构完全不同的模型（如开源社区模型）上，仍需进一步的验证。
MiT 在情感和认知两大类任务的实验结果清晰地展示了人格注入对LLM行为的系统性影响。
notion image
  • 情感中心任务（创意写作）: 实验结果（论文Fig. 3）显示，情感（F）型智能体的故事在“情感丰富度”和“个人化”指标上得分显著高于思考（T）型。这表明，通过人格注入，可以有效调节模型在创造性任务中的情感表达强度。
  • 认知中心任务（博弈论）: 实验结果（论文Fig. 4）同样具有统计意义。
    • 决策偏好: T型智能体在囚徒困境中的背叛率（约90%）远高于F型（约50%），显示出更强的功利主义倾向。
    • 行为一致性: I（内向）型和J（判断）型智能体的诚实度（消息与行动的一致性）显著更高，反映了其行为模式的稳定性和可预测性。
    • 适应性: F型智能体的策略转换频率几乎是T型的两倍，表现出对动态环境更强的适应能力。
notion image
这些量化结果共同证明，人格注入能够对LLM智能体的行为产生具体、可预测且符合心理学理论的系统性影响。

4. 分析：局限性与潜在的失败模式

尽管 MiT 框架展示了令人信服的结果，但作为一个新兴的研究方向，仍有几个关键的局限性值得探讨：
  • 人格注入的持久性衰减: 论文中的实验主要集中在单轮或少数几轮的交互中。一个悬而未决的问题是，在更长的、开放域的对话中，注入的人格是否会“衰减”？模型是否会逐渐回归到其基础的、无特定人格的语言模式？这对于需要长期维持角色一致性的应用（如虚拟伴侣、教育AI）至关重要。
  • 指令冲突的优先级问题: 当任务的特定指令与注入的人格原型发生冲突时，模型会如何权衡？例如，如果一个被注入了热情洋溢、表达欲强的“ENFP”人格的智能体，收到了一个要求“请用最简洁、客观的语言总结报告”的任务指令，它会优先遵循哪一个？这涉及到元指令（人格）和直接指令（任务）之间的优先级裁决机制，是该方法在实际应用中必须解决的问题。
  • 文化背景的适用性: MBTI 本身源于西方心理学理论，其描述和维度可能带有文化烙印。LLM 的训练数据也主要以英语和西方文化内容为主。因此，模型对“内向”、“集体主义”等概念的理解和表达，可能无法准确反映非西方文化背景下的具体内涵。将此方法应用于多文化环境时，可能需要对人格原型进行文化适应性调整。

5. 讨论：作为“压缩指令”的人格原型

尽管存在上述局限性，MiT 框架的成功依然引人深思。现在，我们回到一个更根本的问题：为什么一个简单的“人格标签”或一段描述性文字，能如此深刻地调控一个数千亿参数的复杂模型？这或许是“压缩即智能”思想的一个有力佐证。
  1. 人格是高级行为的“压缩指令”: 一个如“ISTJ”的标签，本身只包含极少的信息。然而，当它被用作prompt时，它在模型内部起到的作用远不止于此。它并非向模型灌输新知识，而更像是充当一个高效的“解压密钥”。这个密钥解锁了模型在海量预训练数据中早已学到的、与该人格相关联的庞大行为模式网络——包括特定的词汇选择、句法结构、逻辑链条和价值判断。
  1. 高层抽象引导底层生成: 与通过微调修改数百万个权重不同，人格注入是在一个极高的抽象层次上进行操作。它为模型的生成过程提供了一个全局的、高权重的注意力框架或认知约束。这个框架就像一个指挥棒，引导着模型在每一步的 token 生成中，选择最符合该人格原型的路径。
  1. 信息效率的体现: 从信息论的角度看，用极少量的信息（一个 prompt）来引导产生一个庞大、复杂且内部一致的行为集合（一系列符合人格的响应），这本身就是一种高效的信息处理方式。这与传统的、需要大量数据和计算资源来塑造模型行为的范式形成了鲜明对比。
因此，MiT框架的成功，不仅仅是 prompt engineering 的胜利，它更深层次地揭示了 LLM 内部知识的组织方式。人格标签，作为人类社会和文化中对复杂行为模式的高度浓缩的符号，恰好成为了与LLM内部潜藏的知识结构进行高效沟通的“接口”。

结论

MBTI-in-Thoughts 项目提供了一个兼具理论深度和工程实用性的框架。它通过一套“注入-执行-验证”的闭环流程，证明了心理学 priming 是调控LLM智能体行为的一种有效且可量化的方法。其形式化的理论设计使其具备超越特定心理学模型的通用性。
同时，对其局限性的清醒认识也为未来的研究指明了方向：探索人格的长期稳定性、解决指令冲突，以及增强跨文化适应性，将是推动此类技术从实验室走向现实应用的关键步骤。最终，对这些高层抽象概念（如人格）的深入研究，不仅能让我们更好地控制AI，也能让我们更深刻地理解智能本身。

© Baiye 2022 - 2025