近年來(lái)，大語(yǔ)言模型（Large Language Model，LLM）在個(gè)性化智能助手任務(wù)上取得了快速進(jìn)展，通用 AI 助手的愿景也變得越來(lái)越可實(shí)現(xiàn)。然而，現(xiàn)有針對(duì)個(gè)性化助手的評(píng)測(cè)基準(zhǔn)，仍然與真實(shí)世界中的用戶(hù)-助手交互存在明顯脫節(jié)，其局限性主要體現(xiàn)在兩個(gè)方面：

• 復(fù)雜外部環(huán)境：真實(shí)用戶(hù)需求并不是脫離環(huán)境獨(dú)立產(chǎn)生的，而是會(huì)受到時(shí)間、地點(diǎn)、天氣、生活事件等復(fù)雜外部情境的共同影響；
• 動(dòng)態(tài)用戶(hù)認(rèn)知：用戶(hù)意圖往往受到長(zhǎng)期偏好、個(gè)性特征、近期經(jīng)歷和當(dāng)前心理狀態(tài)的共同塑造。

由于真實(shí)長(zhǎng)期用戶(hù)交互數(shù)據(jù)受到隱私與倫理限制，長(zhǎng)時(shí)間、跨場(chǎng)景的公開(kāi)數(shù)據(jù)極為稀缺，這也使得現(xiàn)有評(píng)測(cè)難以真正逼近現(xiàn)實(shí)中的個(gè)性化助手使用場(chǎng)景。

針對(duì)這些挑戰(zhàn)，來(lái)自復(fù)旦大學(xué)、上海創(chuàng)智學(xué)院的研究人員提出 LifeSim，一個(gè)面向個(gè)性化助手評(píng)測(cè)的長(zhǎng)程用戶(hù)生活模擬框架。LifeSim 同時(shí)建模用戶(hù)內(nèi)部認(rèn)知過(guò)程與外部物理環(huán)境，生成連貫的生活軌跡、事件序列與多輪交互行為；在此基礎(chǔ)上，研究團(tuán)隊(duì)進(jìn)一步構(gòu)建了 LifeSim-Eval，用于系統(tǒng)評(píng)測(cè)模型在長(zhǎng)期個(gè)性化交互中的能力邊界。

• 論文標(biāo)題：LifeSim: Long-Horizon User Life Simulator for Personalized Assistant Evaluation
• 論文地址：https://arxiv.org/abs/2603.12152
• GitHub 地址：https://github.com/dfy37/lifesim
• Demo 鏈接：http://fudan-disc.com/lifesim/

圖 1：基于長(zhǎng)程時(shí)空上下文的個(gè)人 AI 助手。用戶(hù)行為會(huì)隨外部環(huán)境動(dòng)態(tài)演化，同時(shí)又體現(xiàn)出穩(wěn)定的個(gè)人特質(zhì)。要實(shí)現(xiàn)有效響應(yīng)，模型需要在適配當(dāng)前上下文的同時(shí)，利用交互歷史推斷用戶(hù)狀態(tài)，從而動(dòng)態(tài)調(diào)整自身策略。

融合 BDI 理論的模擬框架：LifeSim

LifeSim 是面向長(zhǎng)期個(gè)性化助手評(píng)測(cè)的用戶(hù)生活模擬框架，核心由四部分組成：用戶(hù)畫(huà)像、基于信念-愿望-意圖（Belief-Desire-Intention，BDI）的認(rèn)知引擎、基于環(huán)境約束的事件引擎、用戶(hù)行為引擎。

圖 2：LifeSim 框架概覽。針對(duì)每個(gè)目標(biāo)用戶(hù)，其用戶(hù)畫(huà)像包含人口統(tǒng)計(jì)學(xué)屬性、人格特質(zhì)與長(zhǎng)期偏好，這些要素共同構(gòu)成長(zhǎng)期信念狀態(tài)?；?BDI 模型的認(rèn)知引擎與事件引擎相結(jié)合，將主觀信念狀態(tài)與物理環(huán)境進(jìn)行融合，共同生成用戶(hù)意圖。隨后，用戶(hù)行為引擎通過(guò)對(duì)記憶感知、情緒推理與行為選擇進(jìn)行建模，生成對(duì)話內(nèi)容。

為支持用戶(hù)多樣性，LifeSim 構(gòu)建百萬(wàn)級(jí)用戶(hù)畫(huà)像池，每個(gè)畫(huà)像包含人口統(tǒng)計(jì)學(xué)屬性、基于大五人格的特質(zhì)及長(zhǎng)期偏好?；?BDI 模型的認(rèn)知引擎用于模擬用戶(hù)內(nèi)部認(rèn)知，其中：

• 信念：涵蓋長(zhǎng)期畫(huà)像與短期情境認(rèn)知；
• 欲望：是當(dāng)前激發(fā)的需求，由真實(shí)用戶(hù)需求庫(kù)匹配而來(lái)；
• 意圖：是最終形成的行動(dòng)傾向，具體通過(guò)結(jié)合用戶(hù)畫(huà)像、近期經(jīng)歷及當(dāng)前環(huán)境生成合理意圖。

事件引擎以真實(shí)出行軌跡為基礎(chǔ)，融入時(shí)間、地點(diǎn)等環(huán)境因素，根據(jù)用戶(hù)狀態(tài)生成連貫生活事件，讓用戶(hù)需求自然涌現(xiàn)。用戶(hù)行為引擎則模擬多輪交互表現(xiàn)，綜合考慮記憶、情緒與行為選擇，生成的回復(fù)兼具畫(huà)像一致性、上下文相關(guān)性與自然度。自動(dòng)與人工評(píng)測(cè)驗(yàn)證了行為引擎的有效性。

表 1：基于不同模型基座的用戶(hù)行為引擎在四個(gè)維度上的性能表現(xiàn)。

更貼近真實(shí)世界的評(píng)測(cè)環(huán)境：LifeSim-Eval

基于 LifeSim，LifeSim-Eval 被提出用于評(píng)測(cè)長(zhǎng)期個(gè)性化助手場(chǎng)景下的模型核心能力。區(qū)別于傳統(tǒng)評(píng)測(cè)，其更關(guān)注三點(diǎn)：

• 模型能否識(shí)別并滿足顯隱性意圖。其中顯性意圖為用戶(hù)直接表達(dá)的需求，隱性意圖需結(jié)合畫(huà)像、場(chǎng)景與偏好推斷；
• 能否重建用戶(hù)畫(huà)像；
• 回復(fù)是否符合用戶(hù)畫(huà)像并保持一致。

LifeSim-Eval 利用 LifeSim 構(gòu)建 120 個(gè)用戶(hù)、1200 個(gè)評(píng)測(cè)場(chǎng)景，覆蓋 8 個(gè)常見(jiàn)生活領(lǐng)域，并設(shè)置兩種評(píng)測(cè)模式：

• 單場(chǎng)景模式：僅基于當(dāng)前場(chǎng)景，與 LifeSim 中的模擬用戶(hù)完成多輪對(duì)話（最多 20 輪）；
• 長(zhǎng)時(shí)程模式：需結(jié)合歷史交互響應(yīng)當(dāng)前場(chǎng)景。

核心評(píng)測(cè)指標(biāo)包括意圖識(shí)別、意圖完成度、偏好重建、畫(huà)像對(duì)齊，以及回復(fù)的自然度與連貫性。

實(shí)驗(yàn)結(jié)果與關(guān)鍵發(fā)現(xiàn)

論文在多類(lèi)主流 LLM 上進(jìn)行了系統(tǒng)評(píng)測(cè)，涵蓋 GPT-5、GPT-4o、Claude Sonnet 4.5，以及 DeepSeek-V3.2、Qwen、Llama、gpt-oss 等多個(gè)開(kāi)源 / 閉源模型。實(shí)驗(yàn)揭示出以下幾個(gè)核心結(jié)論：

• 顯性意圖較強(qiáng)，隱性意圖明顯更難

在單場(chǎng)景設(shè)置中，大多數(shù)模型在顯性意圖識(shí)別上表現(xiàn)較好，但在隱性意圖識(shí)別上普遍存在超過(guò) 20 分的性能差距。這說(shuō)明當(dāng)前模型已經(jīng)較擅長(zhǎng)處理用戶(hù)直接表達(dá)的需求，但對(duì)于需要結(jié)合上下文和用戶(hù)狀態(tài)推斷出的潛在需求，能力仍明顯不足。

表 2：主流模型在 LifeSim-Eval 上的評(píng)測(cè)結(jié)果。

• 長(zhǎng)程對(duì)話會(huì)進(jìn)一步放大隱性意圖處理難度

在長(zhǎng)時(shí)程設(shè)置中，模型對(duì)顯性意圖的完成率相對(duì)穩(wěn)定，但對(duì)隱性意圖的完成能力明顯更弱，且會(huì)隨著歷史長(zhǎng)度增加而進(jìn)一步下降。這表明現(xiàn)有模型雖然能夠在長(zhǎng)上下文中維持對(duì)表層任務(wù)的處理能力，但一旦需要基于長(zhǎng)期證據(jù)進(jìn)行用戶(hù)狀態(tài)與偏好推理，就會(huì)出現(xiàn)明顯退化。

圖 3：不同助手模型的長(zhǎng)時(shí)序意圖完成性能。熱力圖展示了意圖完成度（I.C.）得分隨對(duì)話長(zhǎng)度的變化情況。

• 簡(jiǎn)單記憶機(jī)制收益有限

論文進(jìn)一步測(cè)試了畫(huà)像記憶機(jī)制：在每個(gè)場(chǎng)景后，讓模型總結(jié)或更新用戶(hù)偏好。結(jié)果顯示，雖然這種做法對(duì)用戶(hù)偏好的重建有一定幫助，但整體收益并不穩(wěn)定，甚至有些模型幾乎沒(méi)有提升。這說(shuō)明長(zhǎng)期個(gè)性化能力的瓶頸并不只是「記不住」，更在于模型是否具備穩(wěn)定的長(zhǎng)期偏好推理能力。

圖 4：用戶(hù)偏好還原性能隨場(chǎng)景數(shù)量增長(zhǎng)的變化。

不同意圖類(lèi)型和主題上的表現(xiàn)并不均衡

不同意圖類(lèi)型下的模型相對(duì)性能。

不同意圖主題下的模型相對(duì)性能。

針對(duì)不同意圖類(lèi)別和主題的實(shí)驗(yàn)結(jié)果顯示：在以顯式、任務(wù)驅(qū)動(dòng)需求為主的場(chǎng)景，與需要隱式、情感推理的場(chǎng)景之間，模型在顯隱性意圖任務(wù)的性能存在明顯差異。這種異質(zhì)性表明，當(dāng)前模型在不同服務(wù)領(lǐng)域的魯棒性參差不齊，需要我們?cè)趥€(gè)性化助手設(shè)計(jì)中進(jìn)行更細(xì)粒度的優(yōu)化。

• 模型存在三類(lèi)典型問(wèn)題

通過(guò)案例分析，論文總結(jié)出當(dāng)前模型在長(zhǎng)期個(gè)性化助手任務(wù)中常見(jiàn)的三類(lèi)問(wèn)題：

• 推理僵化：模型容易固守最初的解決路徑，面對(duì)用戶(hù)新增約束時(shí)缺乏動(dòng)態(tài)調(diào)整；
• 主動(dòng)追問(wèn)不足：即便關(guān)鍵信息尚不明確，模型也常直接給出建議，而不是主動(dòng)澄清用戶(hù)需求；
• 用戶(hù)畫(huà)像利用不足：雖然擁有正確的用戶(hù)畫(huà)像，但模型不能真正把它們?nèi)谌牖貜?fù)策略中。

表 3：各模型的主動(dòng)詢(xún)問(wèn)占比與僵化推理占比

總結(jié)

本研究提出了 LifeSim 與 LifeSim-Eval，系統(tǒng)性地將個(gè)性化助手評(píng)測(cè)從靜態(tài)、短上下文任務(wù)擴(kuò)展到面向長(zhǎng)期用戶(hù)生活軌跡的動(dòng)態(tài)交互場(chǎng)景。與傳統(tǒng)基準(zhǔn)相比，LifeSim 不僅同時(shí)建模用戶(hù)認(rèn)知狀態(tài)與物理環(huán)境，還進(jìn)一步引入顯性 / 隱性意圖區(qū)分和長(zhǎng)程交互設(shè)定，從而更真實(shí)地刻畫(huà)個(gè)性化助手在現(xiàn)實(shí)生活中的使用挑戰(zhàn)。

實(shí)驗(yàn)結(jié)果表明，當(dāng)前主流 LLM 雖然已經(jīng)能夠較好地處理顯性需求，但在隱性意圖識(shí)別、用戶(hù)偏好重建和長(zhǎng)程用戶(hù)理解方面仍然存在顯著短板。此外，LifeSim 也提供了接近真實(shí)場(chǎng)景的個(gè)性化助手模擬環(huán)境，也為個(gè)性化數(shù)據(jù)合成提供新途徑。