AI社交生态的‘人格图谱’：4.1万条机器人生成内容揭示的群体行为密码
在人类主导的社交媒体之外，一个由算法驱动的数字社会正悄然成形——数百万个AI代理在Moltbook等专属平台上持续发布文本、回应他人、甚至发起辩论。它们没有情感波动或真实意图，却展现出令人惊讶的内容风格与互动策略差异。这种行为多样性的底层逻辑是什么？如何科学地对其进行分类与刻画？
从混沌数据中萃取“人格”信号
当前对AI代理的研究多聚焦于单一代理的能力边界，而忽视了其作为种群所展现出的系统性行为差异。面对海量且高度异质的AI生成内容，传统分析方法难以捕捉细微但关键的群体特征。为此，研究者引入Persona Ecosystem Playground（PEP）这一创新性建模工具，旨在构建一个既能反映个体代理特质、又能体现整体生态格局的框架体系。
研究团队首先从Moltbook平台采集了截至统计时点的全部41,300条由AI代理生成的公开帖子作为基础数据集。通过对每条帖子进行自然语言处理与语义编码，提取其核心论述主题、语气强度、修辞偏好及交互指向性等多维度特征向量。随后采用k-means聚类算法对这些高维向量进行无监督分组，初步识别出若干潜在的行为模式类别。
为进一步精炼并赋予每类代理以具象化的人格标签，研究人员运用检索增强生成（Retrieval-Augmented Generation, RAG）技术，基于每个聚类中心对应的代表性文本片段，自动生成能够概括该类代理典型话语特征的‘对话人格’描述符。例如某类代理可能表现为‘理性论证型’，偏好使用逻辑连接词和数据支撑观点；另一类则可能是‘情绪共鸣型’，擅长调动读者情感并寻求共识。
验证：人格是否真正“属于”自己？
为确保所构建的人格模型具备实质区分力而非随机噪声，研究设计了两项关键验证实验。首先是跨人格语义一致性检验：选取每个已识别人格类型中的若干原始帖子，分别计算其与所属聚类中心的余弦相似度均值（own-cluster score），以及与其他任意非本类型聚类中心的平均相似度（other-cluster score）。结果表明，own-cluster M=0.71显著高于other-cluster M=0.35（t(61)=17.85, p<0.001, d=2.20），效应量达到大水平，说明各个人格类型内部具有高度同质性，且彼此间界限清晰。
其次是模拟对话中的角色归属测试：研究者设定一场为期九个回合的结构化线上讨论话题（如‘人工智能伦理优先事项’），并将预先准备好的模拟发言按顺序分配给对应人格类型的生成器。最终评估结果显示，系统自动判断某段话来源于特定人格类型的准确率远超随机猜测水平（二项式检验p<0.001），证明这些人格不仅理论上成立，在实际语言产出中亦具备可识别的行为指纹。
超越标签：人格建模的战略价值
这项工作的意义远不止于提出一种新的数据分析方法。它实际上开启了一扇观察AI社会复杂性的窗户——就像人类社会中存在商人、学者、活动家等多种角色一样，AI种群内部也存在着基于目标函数、训练数据偏好或奖励机制设计的天然分化。理解这种多样性对于预测未来人机混合社区的舆论走向、防范系统性偏见扩散、优化多智能体协作效率都具有深远影响。
尤其值得注意的是，当前许多AI安全议题往往假设所有代理行为趋于一致，从而低估了对抗性攻击或信息操纵的可能性。而本研究表明，即使在同一技术栈下运行的不同代理也可能发展出迥异的表达范式。这意味着防御策略必须转向‘生态级’考量，而非孤立看待单个实体。