解码机器情感：LLM内部情绪信号如何重塑技能选择与进化范式
从文本驱动到状态驱动：路由机制的范式转移
在当前的AI代理研究浪潮中，基于技能的大型语言模型（LLM）代理因其处理复杂任务的能力而备受关注。这类代理的核心逻辑通常是：从外部库中检索并调用预先定义好的程序或函数，以此来分解和解决用户提出的复杂问题。然而，这种看似稳健的框架在实践中暴露出一个显著的盲区。现有的路由决策机制高度依赖文本级信号——即任务描述、模型的口头反思以及经验总结的规则。这种做法虽然看似合理，但本质上是“盲人摸象”，因为它完全忽略了模型自身内部、由 billions（数十亿）个参数构成的神经网络代表的丰富状态。
这种“文本驱动”的局限性在于，它往往无法捕捉到模型在处理过程中微妙的语义偏移。例如，当面对一个需要多步推理的任务时，模型可能在内部经历了一系列情绪状态的波动——从困惑到确信，再到最终的清晰。如果只依赖输出的文本，这些过渡过程就如同黑盒子中的幽灵，难以被量化、分析和利用。这也正是近年来解释性研究关注的焦点：LLM确实维持着线性的情绪表示，且这些表示因果地影响着行为输出。然而，现有的研究多停留在“事后分析”或“直接输出引导”层面，尚未向下延伸至代理层面的技能选择决策中。
Emotion2Skill：将情绪从黑盒转化为决策引擎
基于以上洞察，研究人员提出了Emotion2Skill框架。该方案的核心创新在于打破了“仅看输出”的惯例，转而关注模型内部的情绪向量。具体实现上，研究人员在残留流中提取了一个27维的情绪状态向量，并将其映射为一种置信度加权的摘要，随后将其注入到路由提示词中。这并非简单的情感分析，而是一次精密的“内部信号解码”。
在在线技能选择环节，情绪向量的作用就像是一把精准的钥匙，能够匹配最合适的技能调用。更为关键的是，该框架引入了轨迹分析机制。通过观测情绪轨迹中的突变点，研究人员能够精准定位那些“出了问题”的技能调用实例。这种定位方式不同于传统方法仅关注最终的二元成功/失败结果，它能够捕捉到内部状态的 abrupt（突发性）转换，从而指导有针对性的 Standard Operating Procedure（SOP，标准作业程序）重写。简单来说，当系统检测到某种特定的情绪突变时，它会自动触发对相关技能的修订，用更优的版本替代旧的、效率低下的技能。
这种“情绪引导的技能进化”机制，本质上是将模型的内在认知过程外部化并加以利用。它不再是被动地接受技能库的安排，而是主动通过情绪信号来评估当前技能的适配度，并进行动态优化。这种机制的引入，实际上是让LLM代理具备了一种类似“直觉”的判断能力——基于内部状态的微妙变化，来判断当前的执行路径是否正确。
实证验证：基准测试中的实质性飞跃
要验证这样一个理论框架的实际效用，研究团队在两个广泛使用的基准测试平台——WebShop和ALFWorld上进行了实验。WebShop是一个基于网购的任务平台，而ALFWorld则侧重于家庭机器人应用场景。实验选用了Qwen3-8B和Qwen3-14B两个规模不同的模型版本进行测试。
结果显示，Emotion2Skill带来的提升是显著的。以Qwen3-8B为例，相较于零-shot（零样本）基准，该框架在成功率上提升了26.9%，在ALFWorld的平均成功率上提升了25.5%。这些数字的意义在于，并非所有基线方法都能实现如此均衡的提升，Emotion2Skill在两个基准测试中均位居所有方法之上。即使是参数量更大的Qwen3-14B模型，也表现出了与之相匹配的、甚至更为稳健的增益。这种跨模型的普适性验证了该框架的核心价值：它不仅仅是一个针对特定模型的“补丁”，而是一套可以外推的、针对LLM内部结构的方法论。
深度解读：情绪与技能的语义共振
除了表面的性能提升，论文还进行了深度的共激活分析。研究发现，情绪向量与技能调用之间存在语义上的共振——某些特定的情绪状态倾向于与特定类型的技能相关联。这种关联并非随机的统计相关性，而是具有了明确的语义解释意义。
这意味着，模型内部的情绪并非纯粹的“噪音”或副产物，而是蕴含了任务执行语义的有效指纹。当模型感到“困惑”或“确信”时，这实际上是在传递关于当前任务进度和合适行动的关键信息。这种发现将LLM内部情绪的研究提升到了一个新的高度：它们不再是简单的情感投射，而是成为了一种可以被解码、被利用的“内部坐标系”。对于希望构建更可靠、更可解释的AI代理的研究人员来说，这一洞察提供了一个全新的切入点——我们可以通过监控这些内部信号，来实时诊断代理的“心理健康”和任务执行状态。
前瞻展望：从“盲目执行”到“意识感知”的代理进化
Emotion2Skill的出现，标志着基于LLM的智能体从“盲目执行”向“意识感知”管理的重要跨越。过去，我们构建代理的重点在于如何让它们更快、更强；而未来，构建的重点可能会转向如何让它们“明白自己在做什么”。利用内部情绪信号进行技能选择和进化，为AI代理的可解释性和可控性提供了全新的路径。
展望未来，这项技术的潜在应用场景非常广阔。在复杂的自动化工作流中，系统可以实时感知代理的内部状态，当检测到长时间的负面情绪累积或异常的状态转换时，系统可以自动介入，切换策略或触发人工介入。此外，这种方法也可能延伸到其他需要长序列规划的领域，如自动驾驶、复杂的软件开发流程等。当然，挑战也随之而来：如何在不同文化背景下标准化情绪向量的解释，以及如何平衡内部状态的利用与模型的安全边界，都是需要进一步探索的课题。但可以预见的是，随着这类“情绪感知”机制的成熟，未来的AI代理将不再是冰冷的算法执行者，而是具备类似人类直觉、能够自我纠错和进化的智能伙伴。