大语言模型的拟人行为如何影响用户体验与系统设计

苹果机器学习研究团队于2026年8月发布了一项针对大语言模型拟人行为的系统性研究。该研究由Sunnie S. Y. Kim、Margit Bowler和Leon A. Gatys共同完成，旨在填补当前领域在方法论和实证数据方面的空白——研究者和从业者此前缺乏足够依据来判断模型在何种情境下、应展现哪类拟人行为。

研究团队构建了一个多维分析框架，从行为普遍性、潜在影响和可控性三个维度展开考察。数据来源涵盖GPT-4o、GPT-4.1-mini、Claude Sonnet 4.6和Gemini 2.5 Flash四款当前广泛使用的模型，共收集21,000段多轮对话。评估方法结合了LLM自动评判（LLM-as-a-judge）与人工评估，以确保结果的可靠性和多角度覆盖。

分析结果表明，拟人行为在所有被测模型中均大量存在，但不同模型之间存在显著差异。用户因素同样对行为分布产生影响：对话目标的不同（如任务导向型与情感支持型）以及用户画像的差异，都会导致模型拟人行为的类型和频率发生变化。这一发现提示，模型行为并非固定不变，而是对上下文高度敏感。

在用户感知层面，研究揭示了一个值得关注的不对称现象：人类评估者对模型的自我指涉表达（如「我认为」「我感到」）和主动建立关系的行为持较低接受度，认为这类行为由人类表现更为自然；但对于模型拒绝不当请求、设定交互边界的行为，评估者的接受度反而高于对人类同类行为的接受度。这表明用户对AI与人类在不同行为维度上存在差异化的期待。

研究还专门考察了系统提示词对拟人行为的调控能力。结果显示，通过精心设计的系统提示词，开发者可以有效引导或抑制特定类型的拟人行为，但这一过程需要严格的评估机制，以防止调控措施在目标行为之外引发意想不到的连锁效应。研究团队据此提出了一套面向负责任LLM设计与评估的实践建议，为产品团队在行为调优方面提供了可操作的参考路径。

要点

• 四款主流大模型在21,000段对话中均大量出现拟人行为，但模型间差异显著，用户对话目标和画像也会影响行为分布
• 用户对模型自我指涉和关系建立行为的接受度低于人类，但对模型维护边界、拒绝请求的行为接受度反而更高
• 系统提示词可有效调控拟人行为，但需配合严格评估以避免对其他行为产生意外影响
• 研究提供了LLM-as-a-judge与人工评估相结合的方法论框架，可供后续相关研究参考复用
• 研究结论对AI产品的行为设计、用户体验优化及负责任AI开发具有直接指导意义