复旦LifeSim框架深度解析：长程用户行为模拟权威指南

评测AI助手时，我们常聚焦于代码生成、翻译或常识问答。然而，一个真正理想的个人助手，其核心在于深度个性化服务——它需要理解你的长期习惯，记住过往对话的上下文，并能从“今天不想出门”这类模糊表达中，推断出雨天情绪低落等隐性需求。这正是当前主流AI评测的盲点：静态、孤立的测试任务，难以评估模型在动态、连续的真实生活场景中，作为长期伙伴的服务能力。

近期，复旦大学与上海创智学院联合发布的“LifeSim”研究框架，旨在填补这一关键空白。作为首个专注于长程用户生活模拟的评测基准，它为个性化AI助手构建了一个更贴近现实的评估环境。

LifeSim是什么

LifeSim是一个用于评估个性化AI助手的长程用户生活模拟框架。其核心目标是构建一个动态、连贯的虚拟生活场景，在此环境中系统化地考验AI助手。

该框架的巧妙之处在于，它植根于经典的BDI（信念-愿望-意图）认知模型。这意味着它不仅模拟用户的外部行为，更致力于建模其内部认知状态——包括持有的信念、产生的愿望以及随之形成的意图。同时，时间、地点、天气等真实世界的外部约束也被整合进来。系统最终能生成符合逻辑的用户生活轨迹，并基于此与AI助手进行多轮交互。

为了进行系统化评估，研究团队同步推出了LifeSim-Eval基准，包含1200个场景，覆盖健康、娱乐、社交等8大生活领域。该基准的核心评测任务，是检验模型处理用户显性意图与隐性意图的能力，以及其对用户长期偏好的建模与对齐水平。

LifeSim的主要功能

为实现上述目标，LifeSim构建了四大核心功能模块：

• 长程生活轨迹模拟：基于真实出行数据，生成跨天甚至跨周的、连贯的用户生活事件序列。每个事件都受到时间、地点、天气等外部环境的合理约束。
• 多轮交互行为模拟：在生成的生活轨迹节点上，系统模拟用户与AI助手展开自然对话。该过程支持复杂的认知行为，如记忆冲突检测、情绪推理，并据此动态选择用户的后续言行。
• 个性化能力评测：通过LifeSim-Eval基准，量化测试模型在识别显性/隐性意图、重建用户长期偏好、以及使自身行为与用户画像对齐等方面的性能。
• 隐私安全数据合成：框架支持生成百万级多样化的虚拟用户画像，为需要大量数据训练或微调的个性化助手模型，提供高质量、无隐私风险的合成数据源。

LifeSim的技术原理

LifeSim的逼真模拟，依赖于其内部四个精密协作的引擎：

• 信念引擎：作为用户的“认知中枢”，它整合长期稳定的用户画像（如人格特质、习惯）和短期动态的情境认知（当前位置、心理状态、环境状况）。
• 愿望引擎：基于信念引擎的状态，从一个预设的需求库中检索候选意图，并结合用户当前信念和外部环境进行重排序，决定用户当下最可能产生的愿望。
• 事件引擎：将愿望具象化为生活事件。该引擎通过逻辑函数控制事件触发概率，确保生成的事件（如“去健身房”、“预约医生”）符合真实世界的时空与逻辑约束。
• 行为引擎：当AI助手做出回应后，此引擎生成用户的下一步反应。流程分为三步：记忆感知（检测回复是否与用户历史记忆冲突）、情绪推理（利用GoEmotions模型分类用户情绪）、行动选择（综合所有信息生成最终响应文本）。

如何使用LifeSim

无论是快速体验，还是进行严谨的模型评测，LifeSim都提供了相应路径。

在线 Demo 体验

对于希望直观感受的研究者或爱好者，在线Demo是最佳入口。

• 访问官网：打开项目提供的演示页面，即可进入可视化交互界面。
• 预设演示：选择一个系统内置的虚拟用户，在模拟的时间轴和地图上，点击任意生活节点（如“周二晚上8点，在家”），系统将还原场景并允许你与该虚拟用户对话。
• 实时生成：可自定义用户的年龄、职业、人格特质等参数，观察系统的BDI引擎如何实时为这个新角色生成生活事件并与之交互。

本地部署评测

对于需要批量测试或深入研究的团队，可选择本地部署。

• 环境准备：按照指南安装Python依赖，并准备好用户画像与生活事件数据。
• 模型配置：需要接入两个模型：一个用于模拟用户（如Qwen2-32B-Instruct），另一个是被评测的AI助手模型（支持通过vLLM本地部署或调用OpenAI、DeepSeek等API）。
• 运行模拟：可选择单场景模式（测试独立对话）或长程模式（测试带历史记忆的多轮交互）。系统将自动运行并生成完整对话日志。
• 自动评分：框架集成了LLM-as-Judge（大模型作为裁判）机制，可从意图识别、隐性需求满足、画像对齐等7个维度，对助手表现进行自动化评分。

LifeSim的关键信息和使用要求

• 定位：首个专注于长程、动态生活场景的用户模拟器，旨在评测个性化AI助手在真实连续服务中的能力。
• 技术核心：基于BDI认知模型，独特地将外部物理环境与内部认知状态融合，驱动用户行为生成。
• 数据规模：依托百万级用户画像池、3,374条真实出行轨迹以及1,200个精心设计的标准评测场景。
• 评测重点：特别强调区分和检验模型对显性意图与隐性意图的理解能力，并支持长达16K tokens的历史上下文，以评估长期记忆与偏好建模。
• 所属机构：由复旦大学数据科学与上海创智学院联合研发。

LifeSim的核心优势

与现有各类Agent评测基准相比，LifeSim的独特价值体现在：

• 填补真实场景鸿沟：突破了主流评测静态、短上下文的局限，首次实现跨天、跨周级别的长程生活模拟。这使得评测从一次性问答，升级为对AI助手能否成为“长期伴侣”的连续考验。
• BDI认知架构深度建模：基于严谨的信念-愿望-意图心理学模型模拟用户“思考过程”，使虚拟用户行为链具备内在一致性与合理性，而非随机应答。
• 显隐性意图双重考验：其评测基准能有效暴露当前大模型在理解隐性需求上的短板。论文数据显示，在此类任务上，不同模型的性能差距可超过20分，为模型优化指明了清晰方向。
• 物理-认知双环境融合：将真实的地理轨迹、时间天气等硬约束，与动态的心理情绪、记忆等软机制相结合。生成的每个事件，都同时具备物理世界的合理性和认知层面的逻辑性。

LifeSim的项目地址

• GitHub仓库：代码、数据及详细使用文档已开源。
• arXiv技术论文：完整阐述了框架的设计原理、实验细节与评测结果。
• 在线体验Demo：可直接通过浏览器访问并交互体验。

LifeSim的同类竞品对比

为更清晰定位LifeSim，我们将其与领域内两个代表性工作进行对比：

可见，LifeSim在评测的“深度”与“真实性”上找到了独特平衡，专注于解决个性化助手评测这一具体而关键的问题。

LifeSim的应用场景

该框架的应用潜力远不止于学术研究：

• AI 助手能力评测与对标：为各大主流模型提供标准化的“长程个性化”考场。厂商或研究者可精准评估自身模型在理解隐性意图、保持长期记忆、对齐用户画像等方面，与顶尖模型的差距。
• 合成数据生成：利用其百万级用户模拟能力，生成大规模、多样化且规避隐私风险的长期交互对话数据。这对数据需求强烈的个性化助手微调或强化学习训练，是宝贵资源。
• 智能客服与伴侣 AI 预训练：可在上线前，于虚拟环境中模拟各种极端或罕见场景（例如用户连续多日处于焦虑状态下的求助），测试系统的情感支持能力和长期服务一致性，极大降低真实场景试错风险与成本。
• 人机交互（HCI）学术研究：为认知科学、社会心理学等领域提供可控的实验平台。例如，可研究不同人格特质（如外向型 vs. 内向型）的用户，对AI助手建议的接受度和信任建立过程有何差异。
• 个性化推荐算法验证：在饮食、健身、育儿等具体生活领域，验证推荐算法能否跳出静态标签，结合用户的长期偏好与实时情境（比如一个下雨天和一个有健身习惯的用户），做出真正动态、贴合的调整。

LifeSim的出现，标志着AI评测正从“任务完成度”向“服务契合度”深化。它为我们衡量一个AI是否真正“懂你”，提供了一把更精细、更贴近现实的尺子。随着个性化成为AI产品的核心竞争点，此类评测工具的价值将愈发凸显。