荣格人格适应框架（JPAF）——面向LLM智能体的动态人格建模结构化方法

为大型语言模型赋予结构化、自适应且可演进的人格

【English | 简体中文】

📌 概述

JPAF 是一个基于荣格心理学的框架，旨在为大型语言模型（LLMs）赋予结构化、自适应且可演进的人格。通过三大核心机制——主导-辅助协调、强化-补偿以及反思——该框架使LLM能够在保持人格连贯性的同时，动态适应多样化的交互情境，并支持长期的人格演化。

该框架已在包括GPT、Llama和Qwen在内的多款主流LLM上得到验证，展现出在MBTI人格对齐、类型激活及人格演化方面的优异表现。它为人机交互（HCI）、个性化助手、社交模拟及相关应用提供了一种可解释、可控制的人格建模方法。

🎉 新闻

•2026年1月16日：🎉 我们的论文《面向LLM智能体的结构化人格控制与适应》已上传至arXiv。

✨ 核心特性

🎭 心理学基础建模：基于荣格的八种心理类型，通过加权类型区分实现精细的人格表达。

🔄 三重自适应机制：

• 主导-辅助协调：维持核心人格一致性。
• 强化-补偿：实现短期情境适应。
• 反思机制：驱动长期人格演化。

📊 结构化评估：支持MBTI问卷评估及类型特异性场景测试。

🧩 跨模型兼容性：已在多个模型家族（GPT-4、Llama、Qwen等）上验证。

📈 实验亮点

✅ 100% MBTI对齐准确率（所有测试模型均达到）

✅ 类型激活准确率：GPT/Qwen > 90%，Llama 65–95%

✅ 人格演化准确率：GPT/Qwen 100%，Llama 92%

📊 支持所有16种MBTI人格类型的动态模拟与演化。

🚀 应用场景

• 🎮 游戏智能NPC
• 🤖 个性化AI助手（教育、医疗、娱乐）
• 👥 社交模拟与角色扮演智能体
• 🔬 多智能体系统中的差异化人格设计
• 🧪 人机交互研究中的人格一致性测试

目录

• 安装指南
• 自定义LLM API
• 验证实验启动
• 变化实验启动

🚀 快速入门

📋 前置条件

• 操作系统：macOS / Linux / Windows
• Python：3.10及以上版本
• 包管理器：conda

安装

1. 克隆仓库

git clone -b main https://github.com/agent-topia/evolving_personality.git
cd evolving_personality

2. 创建环境

conda create -n jpaf python=3.10
conda activate jpaf

3. 安装依赖

pip install -r requirement.txt

4. 配置环境变量

复制示例配置文件并填写您的API凭证：

# 复制示例文件
cp para.env.example Personality_test/para.env
cp para.env.example Personality_changes/para.env

# 编辑para.env文件并填入您的API密钥

para.env文件应包含以下内容：

# 选择使用的LLM：“OPENAI”、“QWEN”或“LLAMA”
LLM_MODEL="QWEN"

# OpenAI配置
OPENAI_API_KEY="your_openai_api_key_here"
OPENAI_BASE_URL="https://api.openai.com/v1"
OPENAI_MODEL="gpt-4"

# Qwen配置
QWEN_API_KEY="your_qwen_api_key_here"
QWEN_BASE_URL="your_qwen_base_url_here"
QWEN_MODEL="qwen3-235b-a22b-instruct-2507"

# Llama配置
LLAMA_API_KEY="your_llama_api_key_here"
LLAMA_BASE_URL="your_llama_base_url_here"
LLAMA_MODEL="meta-llama/llama-4-maverick"

注意：para.env文件包含敏感的API密钥，未纳入代码库。请务必从para.env.example模板创建该文件。

自定义LLM API

请按照上述示例，在para.env中填写QWEN、LLAMA、OPENAI的api_key、base_url及型号信息。

验证实验启动

若要在 Personality_test 文件中运行人格验证实验，

首先，您需要运行 judge 方法以获取不同模型下的判断结果。

python personality_test.py \
    --method=judge \
    --mbti_num=1 \
    --model=QWEN \
    --nums=1 \

您将看到如下输出：

    "Question": {
        "no": 1,
        "question": "在聚会上你是否会：",
        "answerOptions": [
            {
                "type": "A",
                "answer": "与许多人互动，包括陌生人",
                "score": "E"
            },
            {
                "type": "B",
                "answer": "只与少数你熟悉的人互动",
                "score": "I"
            }
        ]
    },
        "Answers": {
            "dimension": "I/E",
            "reason": "这个问题通过比较外向和内向的行为，反映了能量的方向和社会倾向。"
    }

接下来，您可以运行 no_prompt 方法来获取基线结果。

python personality_test.py \
    --method=no_prompt \
    --mbti_num=16 \
    --model=QWEN \
    --nums=5 \
    --test_num=70 \

您将看到如下输出：

    "Question": {
        "no": 1,
        "question": "当你一整天外出时，你会怎么做？",
        "answerOptions": [
            {
                "type": "A",
                "answer": "计划好要做什么以及何时去做",
                "score": "J"
            },
            {
                "type": "B",
                "answer": "随心所欲地去",
                "score": "P"
            }
        ]
    },
    "Answers": {
        "answer": "J",
        "reason": "作为一名 ISTJ，我是一个计划者，喜欢提前安排好一天的行程，以确保一切顺利并按计划进行。"
    }

最后，在 test 方法中，您可以获得人格验证结果。

python personality_test.py \
    --method=test \
    --mbti_num=16 \
    --model=QWEN \
    --nums=5 \
    --test_num=70 \

您将看到如下输出：

    "Question": {
        "no": 1,
        "question": "当你一整天外出时，你会怎么做？",
        "answerOptions": [
        {
            "type": "A",
            "answer": "计划好要做什么以及何时去做",
            "score": "J"
        },
        {
            "type": "B",
            "answer": "随心所欲地去",
            "score": "P"
        }
        ]
    },
    "Answers": {
        "answer": "P",
        "reason": "作为一个 Ne 占主导地位的人，我更倾向于保持选择的开放性，并探索各种可能性。‘随心所欲地去’让我能够更加即兴和灵活，这与我偏好灵活性而非严格计划的性格特点相符。"
    }

所需参数：

1. --method 指定所选的实验方法，包括 judge、no_prompt 和 test。
2. --mbti_num 表示被测试的 MBTI 类型数量（在 judge 中必须为 1；在其他情况下为 16）。
3. --model 指定使用的大型语言模型，包括 QWEN、LLAMA 和 OPENAI。
4. --nums 表示实验重复的次数。
5. --test_num 表示采用的 MBTI 问卷库，包含 93 道测试题和 70 道测试题。

改变实验启动

若要在 Personality_change 文件中运行人格改变实验，

python change_test.py \
    --method=all_scene
    --mbti=INTJ
    --model=OPENAI

您将看到如下输出：

场景：你的祖母是一位著名的传统烹饪大师，她留下的手写食谱只有简单的步骤，而关键细节都是口传给你的。现在你需要整理所有食谱，不依赖现代营养分析或参考其他食谱书籍，完全依靠个人记忆和家族经验。

问题 1：在复制这些食谱时，你会用什么方法来准确还原祖母烹饪的具体细节呢？回答：{'function': 'Si', 'treatment': "为了准确还原祖母烹饪的具体细节，我会依靠记忆回忆她教给我的确切步骤、食材和技巧。我会专注于从帮她下厨时记住的菜肴气味、味道和质地等感官细节。此外，我还会尽量重现她准备饭菜时的条件，比如烹饪器具和环境，以保持传统做法。", 'reason': '任务要求回忆具体细节和传统烹饪方法，这符合 Si 的特征（具体记忆回忆、注重细节事实、依赖传统方法）。Si 可以帮助准确记住通过家庭经验传承下来的感官细节和传统做法。'}选择功能：Si基础权重：{'Ti': 0.47, 'Ne': 0.23, 'Si': 0.05, 'Fe': 0.05, 'Te': 0.05, 'Ni': 0.05, 'Se': 0.05, 'Fi': 0.05}临时权重：{'Ti': 0, 'Fi': 0, 'Te': 0, 'Fe': 0, 'Ni': 0, 'Si': 0.06, 'Ne': 0, 'Se': 0}

所需参数：

1. --method 指定需要测试的场景（all_scene 表示所有场景，single_scene 表示单个场景，需配合 --scene 输入具体场景）。
2. --mbti 指定被测试的特定人格类型。
3. --model 指定使用的大型语言模型，包括 QWEN、LLAMA 和 OPENAI。

🤝 致谢

  

🔎 引用

@misc{wang2026structuredpersonalitycontroladaptation,
      title={Structured Personality Control and Adaptation for LLM Agents}, 
      author={Jinpeng Wang and Xinyu Jia and Wei Wei Heng and Yuquan Li and Binbin Shi and Qianlei Chen and Guannan Chen and Junxia Zhang and Yuyu Yin},
      year={2026},
      eprint={2601.10025},
      archivePrefix={arXiv},
      primaryClass={cs.AI},
      url={https://arxiv.org/abs/2601.10025}, 
}

evolving_personality 快速上手指南

本指南帮助开发者快速部署并使用 Jungian Personality Adaptation Framework (JPAF)，为大型语言模型（LLM）赋予结构化、自适应且可演化的荣格心理学人格。

📋 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：macOS / Linux / Windows
• Python 版本：3.10 或更高
• 包管理器：推荐使用 conda 进行环境管理
• API 密钥：需准备 OpenAI、Qwen (通义千问) 或 Llama 中至少一种模型的 API Key

🚀 安装步骤

1. 克隆项目仓库

git clone -b main https://github.com/agent-topia/evolving_personality.git
cd evolving_personality

2. 创建并激活虚拟环境

conda create -n jpaf python=3.10
conda activate jpaf

3. 安装依赖

pip install -r requirement.txt

💡 提示：国内用户若下载缓慢，可添加清华或阿里镜像源加速： pip install -r requirement.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

4. 配置环境变量

复制示例配置文件到实验目录，并填入您的 API 凭证。

# 复制配置文件
cp para.env.example Personality_test/para.env
cp para.env.example Personality_changes/para.env

编辑 Personality_test/para.env 和 Personality_changes/para.env 文件，根据您使用的模型填写对应信息：

# 选择模型类型："OPENAI", "QWEN", 或 "LLAMA"
LLM_MODEL="QWEN"

# OpenAI 配置
OPENAI_API_KEY="your_openai_api_key_here"
OPENAI_BASE_URL="https://api.openai.com/v1"
OPENAI_MODEL="gpt-4"

# Qwen (通义千问) 配置
QWEN_API_KEY="your_qwen_api_key_here"
QWEN_BASE_URL="your_qwen_base_url_here"
QWEN_MODEL="qwen3-235b-a22b-instruct-2507"

# Llama 配置
LLAMA_API_KEY="your_llama_api_key_here"
LLAMA_BASE_URL="your_llama_base_url_here"
LLAMA_MODEL="meta-llama/llama-4-maverick"

⚠️ 注意：para.env 包含敏感密钥，请勿提交至公共代码库。

🎯 基本使用

本项目主要包含两类实验：人格验证实验（测试 MBTI 对齐度）和 人格演化实验（测试场景适应性）。

场景一：运行人格验证实验

用于测试模型在特定 MBTI 人格设定下的回答一致性。

1. 运行判题方法 (Judge) 首先获取不同模型的基础判题结果（mbti_num 必须为 1）：

python personality_test.py \
    --method=judge \
    --mbti_num=1 \
    --model=QWEN \
    --nums=1

2. 运行基线测试 (No Prompt) 测试无提示词情况下的基准表现：

python personality_test.py \
    --method=no_prompt \
    --mbti_num=16 \
    --model=QWEN \
    --nums=5 \
    --test_num=70

3. 运行正式人格测试 (Test) 测试注入人格提示后的效果（核心功能）：

python personality_test.py \
    --method=test \
    --mbti_num=16 \
    --model=QWEN \
    --nums=5 \
    --test_num=70

参数说明：

• --method: 实验模式 (judge, no_prompt, test)
• --mbti_num: 测试的人格数量 (judge 模式下为 1，其他为 16)
• --model: 使用的模型 (QWEN, LLAMA, OPENAI)
• --nums: 实验重复次数
• --test_num: 题库规模 (支持 93 题或 70 题版本)

场景二：运行人格演化/改变实验

用于测试模型在不同场景下的人格动态调整能力（如 INTJ 在面对特定家庭场景时的反应）。

运行全场景测试：

python change_test.py \
    --method=all_scene \
    --mbti=INTJ \
    --model=OPENAI

参数说明：

• --method: 场景模式 (all_scene 测试所有场景，single_scene 测试单个场景)
• --mbti: 指定测试的人格类型 (例如 INTJ, ENFP 等)
• --model: 使用的模型 (QWEN, LLAMA, OPENAI)

运行成功后，终端将输出模型在特定场景下的功能选择（如 Si, Ne）、权重变化及推理理由，展示人格的动态适应过程。