Soulcuit_v2

dynamder

一. 背景

由于Soulcuit_v1存在以下问题：

• 分层不合理，Eve不能脱离人物单独抽象
• 可解释性差，使用神经网络
• 指导力不强，在纯LLM提取试验中，Beh几乎未起作用
• 过于笼统，向量维度不足，难以准确表征

因此，提出基于约束图的Soulcuit_v2

---

二.基础向量设计

2.1人格特质 PTrait

人格特质向量是相对稳定，表征人物的基本特征与基线倾向，变化缓慢（长期积累 & 重大事件）

维度名称	符号	范围	心理学意义	影响示例
神经质/情绪敏感性	T_neuro	[0, 1]	情绪不稳定、易焦虑、易体验负面情绪的倾向。0=极度稳定冷静，1=极度敏感易波动。	放大负面事件的影响，增加焦虑、恐惧、愤怒等负情绪强度。
外向性	T_extra	[0, 1]	社交能量、对积极刺激的反应性、活跃度。0=高度内向，1=高度外向。	增强积极事件（社交、成就）的愉悦感；影响社交互动意愿。
开放性	T_open	[0, 1]	对新思想、经验、情感的接纳度和好奇心。0=封闭保守，1=极度开放。	影响对新颖/非常规事件的反应（积极/消极）；影响认知灵活性。
宜人性	T_agree	[0, 1]	合作、信任、利他、同理心的倾向。0=敌对、怀疑，1=高度合作、信任。	降低冲突事件中的愤怒/敌意；增强亲社会行为倾向；影响归因（他人意图）。
尽责性	T_consci	[0, 1]	自律、条理、目标导向、责任感的强度。0=随性散漫，1=高度自律尽责。	影响目标受阻时的挫败感；成功/失败对能力感(N_comp)的影响强度。
乐观主义倾向	T_optim	[0, 1]	对未来积极结果的普遍期望、对消极事件的适应性解释倾向。0=悲观，1=乐观。	缓冲负面事件的冲击；增强积极事件的效应；影响次级评估（应对潜力）。
归因风格-自我	T_attrSelf	[-1, 1]	将事件原因归于自身的倾向。-1=极少自责，0=中性，1=高度自责。	影响羞愧(Emo_shame)、内疚(Emo_guilt)的产生；影响自尊(N_esteem)。
归因风格-外部	T_attrExt	[-1, 1]	将事件原因归于他人/环境的倾向。-1=极少归咎外因，0=中性，1=高度归咎。	影响愤怒(Emo_anger)的产生（尤其当T_attrExt高且T_agree低时）。
韧性/抗逆力	T_resil	[0, 1]	从挫折、压力、逆境中恢复的能力和速度。0=易崩溃/恢复慢，1=快速恢复。	影响负面情绪(Emo_neg)的持续时间；影响压力(Phy_stress)的累积与消散。

设计说明：

• 覆盖 Big Five 核心人格模型 (T_neuro, T_extra, T_open, T_agree, T_consci)。
• 增加对情绪和认知评估至关重要的子特质 (T_optim, T_attrSelf, T_attrExt, T_resil)。
• 维度独立且意义明确，便于参数化调制后续计算。

2.2状态向量

状态向量是易变的，表征实时状态，如个体当前的心理，情绪，生理状况。状态更新的核心对象。

状态向量均具有稳态机制，会缓慢恢复到设定的基准值，此处可以考虑借鉴动态电路的时域分析

设计说明：

• 需求 (N_\*): 直接链接事件影响 (ΔN_i 计算)。覆盖 SDT 三大需求 (N_auton, N_comp, N_belong) 和关键社会需求 (N_safe, N_esteem, N_fair)。
• 情绪 (Emo_\*): 选择 8 种核心/次级情绪，覆盖广泛情境，行为倾向明确，直接指导LLM生成符合情绪状态的言语和非言语表达 (语气、措辞、表情描述)。
• 认知/生理 (C_\*): 捕捉影响信息处理和应对的关键状态 (Phy_stress, Phy_fatigue, Phy_alert)。Phy_valence/C_arousal 提供快速摘要 (可选，可由其他维度计算)。
• 总计维度： 6 (N) + 8 (Emo) + 4/5 (C) = 18-19 维。在可接受范围内，且每个维度都有清晰定义和作用。

---

2.2.1需求向量 Need

• 理论基础：马斯洛需求层次、自我决定论 (SDT: Autonomy, Competence, Relatedness)
• 范围: [0, 1], 1=该需求被充分满足，0=该需求被严重剥夺/威胁。

维度名称	符号	心理学意义
安全感	N_safe	对物理/心理安全、稳定、可预测性的感知。威胁来源：危险、失控、重大变故。
归属感/连接感	N_belong	感受到被爱、被接纳、属于某个群体/关系。威胁来源：排斥、孤立、背叛。
自尊/认可	N_esteem	对自我价值、能力、成就的积极评价，以及获得他人尊重的感受。威胁来源：批评、失败、羞辱。
自主感/控制感	N_auton	感受到能主导自己的行为和选择，而非被迫。威胁来源：强制、限制、选择剥夺。
能力感/成就感	N_comp	感受到能有效应对挑战、完成任务、达成目标。威胁来源：失败、无能感、挫折。
公平感	N_fair	感受到被公正对待，规则/结果是公平的。威胁来源：不公、欺骗、剥削。

2.2.2 情绪向量 Emo

• 理论基础：Ekman 基本情绪、情绪维度理论 (Valence, Arousal)。选择加权离散情绪更直观指导LLM生成。
• 范围: [0, 1], 1=该情绪强度达到顶峰（整体归一化处理）。

维度名称	符号	核心触发条件 (简化)	主要行为倾向 (示例)
快乐	Emo_joy	需求满足 (N_*↑)， 特别是成就(N_comp)、连接(N_belong)。积极事件。	分享、亲近、活跃
愤怒	Emo_anger	需求受挫 (N_*↓)， 归因于他人/外部 (T_attrExt高)， 感知不公 (N_fair↓)， 可控性低。	对抗、指责、发泄
悲伤	Emo_sad	损失 (关系、机会、目标)， 不可逆的失败 (N_comp↓)， 无助感。	退缩、哭泣、寻求安慰/独处
恐惧	Emo_fear	对 (真实或想象的) 威胁 (N_safe↓) 的预期， 不确定性高， 应对能力低 (Perceived_Coping低)。	逃避、僵住、寻求保护
厌恶	Emo_disg	对道德违背、不洁、反感的人/事的排斥。	疏远、拒绝、批判
惊讶	Emo_surp	发生高度意外、与预期严重不符的事件。	注意集中、信息寻求
羞愧	Emo_shame	归因于自身缺陷 (T_attrSelf高) 导致的社会评价降低 (N_esteem↓)， 感到“有缺陷”。	隐藏、退缩、自我贬低
内疚	Emo_guilt	归因于自身行为 (T_attrSelf高) 对他人造成伤害， 违反道德标准。	道歉、弥补、忏悔

额外修饰符：

• 修饰维度	取值范围	代表的情感质感	影响LLM生成的表达
  强度控制	1-100	情绪的能量级别	语气强度：低语/平静陈述/怒吼/歇斯底里
  控制感	0 - 1	对情绪的掌控程度	表达方式：压抑/爆发/挣扎维持冷静/彻底失控（从大到小依次）

2.2.3 认知生理状态向量 Phy

• 范围: [0, 1], 1=该状态达到最强烈/最不利水平。

维度名称	符号	心理学意义	影响
压力/紧张	Phy_stress	感知到的心理/生理负担和紧张感。由威胁、挑战、不确定性、冲突累积引发。	降低认知功能 (C_alert↓)， 放大负面情绪， 增加健康风险 (建模中体现)。
疲劳/精力耗竭	Phy_fatigue	生理和精神能量的消耗程度。由活动量、压力、睡眠不足等引起。	显著降低耐心、认知资源 (C_alert↓)、应对能力， 增加易怒性 (Emo_anger↑)。
警觉度/认知资源	Phy_alert	当前可用于信息处理、决策、自我调节的心理能量水平。	影响次级评估 (Perceived_Coping)、情绪调节能力、问题解决质量。
总体情绪基调 (价态)	Phy_valence	[-1, 1] 当前整体情绪是积极(+)还是消极(-)。由主导情绪加权计算得出 (可选)。	快速判断整体状态；影响对新事件的初步过滤（积极/消极偏向）。
总体唤醒水平	Phy_arousal	[0, 1] 当前生理/心理激活程度。由主导情绪唤醒度 (Emo_*) 和 C_stress 决定。	影响行为活跃度（活跃 vs. 迟钝）、反应速度。

---

三. 状态更新——约束图

由于扩展向量维度后，神经网络方案需要大量的训练数据，对于个人开发者来说难以控制网络质量，因此，我们采用手动构造的约束图来高效完成状态更新。

约束图具有以下优点：

• 高可解释性
  • 由于我们手动根据心理学模型构造约束关系，整张约束图表征的更新机制，相对神经网络训练，具有高度可解释性
• 高效性
  • 由于表征为图状结构，并行计算可以使用以加速计算过程，同时可利用已知的图论算法

约束图有以下缺点，在本项目中认为可以克服或忽略：

• 构造困难
  • 手动构造约束关系十分繁琐，且可能有遗漏，项目采用分层构造的思路一定程度上缓解这一缺点
• 模式僵化
  • 纯数学的计算方式可能会导致情感变化的僵化，本项目中采取以下措施缓解这一缺点：
    • 随机因子引入
    • 引入多样的非线性关系

3.1节点设计

节点表征一种状态，可以是特质和状态向量的某个分量，也可以是中间的纯计算过渡状态。

3.1.1 节点构造

graph LR
	输入-->输入映射函数
	输入映射函数-->节点前馈函数
	节点前馈函数-->输出映射函数
	输出映射函数-->反馈因子函数
	输出映射函数-->输出
	反馈因子函数-->输入

Loading

说明：

• 输入：为一个向量
• 输入映射函数：对输入做处理，一种门控措施，但并不会真的截断信号
• 节点前馈函数：节点核心，进行主要状态迭代
• 输出映射函数：对输出做处理，引入非线性因素
• 输出：一个向量
• 反馈因子函数：模拟生物的反馈机制，通常为负反馈，用以抑制此节点下次的激活强度，防止状态爆炸。极少数情况为正反馈，用于支持爆炸式状态突变

3.1.2 边构造

边表征节点之间的关系，具体抽象为一个函数。函数可以执行信号放大，信号衰减，信号选择等等功能。

sequenceDiagram
	节点A->>节点B: f(x)

Loading

3.2 分层架构

3.2.1 分层架构总览

由于节点间约束较为复杂，采用分层的策略方便设计，调试，维护。分层后，可以并行层内迭代，最后进行层间的迭代。

graph TD
    A[事件因子] --> K[事件层]
    K --> B[需求层]
    K --> C[特质层]
    B --> D[情绪层]
    C --> D
    D --> E[生理认知层]
    C --> E
    E --> F[行为倾向]
    
    subgraph 分层处理
        B -->|内部约束| B
        C -->|内部约束| C
        D -->|内部约束| D
        E -->|内部约束| E
    end

Loading

关键概念：

• 特征：通常指代基础向量中，某个具有具体心理学意义的分量

  • 无向特征：范围 [0,1],表示强度，概率等
  • 有向特征：范围 [-1,1], 除表示程度，还具有极性，负面为负，正面为正

• 调制：特征通过约束关系迭代后，生成更贴近行为指导倾向的向量，这一过程称为调制，得到的向量称为调制向量

因此，层内迭代主要生成调制向量，调制向量经过层间迭代再调制后，生成最终的行为倾向。层间迭代时，通常由不易改变的层向容易改变的层进行调制。

• 调制的目的是进行中间转换，调制出的中间层对下一层的约束影响应当清晰可见，因此，调制向量的设计也应当具有心理学意义

流程总览：

• LLM根据当前的人格向量和状态向量（向量此时被构造为符合LLM习惯的prompt），提取事件因子
• 事件因子送往特质层和需求层，作为输入参与调制过程
• 特质层和需求层调制向量调制完成后送往情绪层参与调制
• 情绪层和特质层调制向量送往生理认知层参与调制
• 生理认知层的调制向量即为行为倾向向量
• 在过程中，除特质层外，其余层的特征在调制过程中被迭代为下一状态

3.2.2 LLM事件因子

LLM事件因子作为整张约束图的输入和起点，是一个向量。LLM提取事件因子时，需要提供角色设定信息（经历等，如有记忆系统，应当提供核心记忆和与事件相关的长期记忆（RAG））

基础特征：

维度	符号	范围	心理学意义	提取方法
效价	Ev_valence	[-1.0, 1.0]	事件整体积极/消极程度	LLM评估事件描述的情感倾向
强度	Ev_intensity	[0.0, 1.0]	事件影响大小	LLM基于事件重要性评估
新颖性	Ev_novelty	[0.0, 1.0]	事件意外程度	对比人物经历数据库
持续时间倾向	Ev_duration	{瞬时, 短期, 长期}	事件预计影响的时间维度	LLM分析事件时间特征，被映射为一个时间常数τ，单位秒

认知特征：

维度	符号	范围	心理学意义	计算方式
目标相关性	Ev_relevance	[0.0, 1.0]	事件与个人目标关联度	LLM分析事件与角色当前目标
目标一致性	Ev_congruence	[-1.0, 1.0]	事件促进/阻碍目标	LLM分析事件与角色当前目标
自我关联性	Ev_self_involve	[0.0, 1.0]	事件与自我的关联	LLM分析事件中"我"的角色
可控性	Ev_controllability	[0.0, 1.0]	个人对事件的控制程度	LLM评估人物对事件的影响力
责任归属	Ev_attribution	[他人, 自我, 环境] [-1.0,1.0],自我为0.0	事件责任归属	LLM归因分析(概率分布)

社会情境特征：

维度	符号	范围	心理学意义	提取方法
社交性	Ev_social	[0.0, 1.0]	事件涉及社会互动程度	LLM分析社会参与方数量/性质
公开性	Ev_public	[0.0, 1.0]	事件公开程度	LLM分析事件发生场景
亲密倾向	Ev_rel	[-1.0,1.0]	事件用语体现的亲密程度	LLM语气，实体关系分析
权力动态	Ev_power	[-1.0, 1.0]	人物在事件中的权力位置	LLM分析互动中的控制关系

3.2.3 事件层（Event）

事件层根据当前的LLM事件因子向量，结合一定条件内的历史LLM事件因子向量，调制为一个综合事件因子向量。综合事件因子向量具有与LLM事件因子相同的分量，区别仅仅在于分量的值。

3.2.3.1 显著极端函数 Dramaend

根据认知理论，情绪理论等，一个因素的影响通常不遵循线性规律，而是“坏的更坏”，“好的更好”，因此，需要模拟这种机制的函数。

函数定义如下： $$ f(x) = \begin{cases} \frac{b}{a_{+}} (e^{a_{+}x}-1), x\geq0 \ -\frac{b}{a_{-}} (e^{-a_{-}x}-1), x<0 \end{cases} $$ 具有如下性质：

• 局部线性： 当满足以下条件时 $$ -\frac{1}{a_-} < x < \frac{1}{a_+} $$ 近似可认为遵循线性叠加,线性斜率为b

• 极端指数性

  当x较大时，呈现指数放大,放大系数为 $$ \begin{cases} a_-, x<0 \ a_+, x\geq0 \end{cases} $$ 通常情况下 $$ a_- =1.5a_+ $$

3.2.3.2 调制流程

• 事件衰减

  • 拥有两种衰减模式，自然衰减和模拟衰减

    • 效价，强度，新颖性应用自然衰减， τ为衰减周期（4τ ~ 5τ后应当衰减完毕） $$ x_{next} = xe^{-\frac{t}{\tau}} $$

    • 亲密倾向，权力动态应用模拟衰减，α为衰减系数，γ为衰减基线系数 $$ x_{next} = x(1-\gamma)\alpha^{-\frac{t}{\tau}} $$

  • 当强度小于ε时，该事件应当被剔除不再考虑

• 历史调制

  • 对效价，强度，目标一致性，自我关联性，可控性，公开性，亲密倾向，权力动态应用Dramaend，并将所得结果按分量相加
  • 其余分量，维持当前的LLM事件因子的值，得到初始综合事件因子向量
  • 按分量对初始综合事件因子向量求绝对值和，再将初始综合时间向量除以得到的结果，进行归一化，得到综合事件因子向量

3.2.4 特质层（Trait）

特质层表征稳定的人格特质，在约束图中，是唯一自身特征状态不会被更新的层。

3.2.4.1 相关性分析

通过分析PTrait特质和事件因子的交互作用，识别出以下关键心理学关联：

1. 神经质(T_neuro) × 事件效价(Ev_valence)
   • 高神经质会放大负面事件的消极影响（负面情绪增强）
   • 对积极事件的感受减弱（积极情绪抑制）
2. 归因风格(T_attrSelf/T_attrExt) × 事件责任归属(Ev_attribution)
   • 自我归因倾向强时，自我相关事件(Ev_self_involve)会增强羞愧/内疚
   • 外部归因倾向强时，外部责任事件会增强愤怒
3. 开放性(T_open) × 事件新颖性(Ev_novelty)
   • 高开放性会增强对新奇事件的积极反应
   • 低开放性会增加对非常规事件的负面反应
4. 宜人性(T_agree) × 事件社交性(Ev_social)
   • 高宜人性会增强积极社交事件的愉悦感
   • 低宜人性会放大社交冲突中的敌意
5. 韧性(T_resil) × 事件强度(Ev_intensity)
   • 高韧性会缓冲高强度事件的负面影响
   • 加速负面状态的恢复过程
6. 尽责性(T_consci) × 事件目标一致性(Ev_congruence)
   • 高尽责性会放大目标受阻时的挫败感
   • 增强目标达成时的成就感

3.2.4.2 特质调制向量（TraitMod）

特质调制向量有两个，分别为情绪特质调制向量（TraitMod_Emo），生理认知特质调制向量（TraitMod_Phy）

3.2.4.2.1 情绪特质调制向量（TraitMod_Emo）

维度	符号	范围	心理学意义	计算方式
负面情绪放大因子	TEneg_amplifier	[1.0,3.0]	负面情绪的放大倍数（1=无放大，3=极端放大）	a,超过范围截断，下同
积极情绪调节因子	TEpos_regulator	[0.05,1.3]	积极情绪的调节（<1=抑制，>1=增强）,暂时置为非负，后续再考虑病理性极端情况（如抑郁症）	b
愤怒生成因子	TErage_generator	[0.0,2.5]	愤怒情绪的生成强度	c
愧疚放大因子	TEguilt_amplifier	[0.0,2.0]	羞耻/内疚情绪的增强强度	d
新奇调制因子	TEnovel_modulator	[-1.2,1.2]	对新奇事件的反应方向与强度	e
社交调制因子	TEsocial_modulator	[-1.5,1.5]	社交互动的反应方向与强度	f
情绪恢复因子	TE_restore	[0.3,1.5]	情绪恢复速度（小数=慢，1=正常）	g

• a: $$ TEneg_amplifier = 1.0 + dramaend(T_neuro\times max(0,-Ev_valence) \times (1.2 - T_resil)) \ a_- =2.5,\ a_+=2.0,\ b=0.8 $$

• b: $$ pos_gain=T_optim \times max(Ev_valence,0)\ neg_damp = \begin{cases} T_neuro \times (1-T_optim), if \ recent\ negative\ events,\ 0,\ otherwise \end{cases}\ TEpos_regulator = (1-neg_damp)\times dramaend(pos_gain - T_neuro \times min(Ev_valence,0)) \ a_- = 1.8,\ a_+=1.2,\ b=0.7 $$

• c: $$ power_effect=\begin{cases} 1.5 - 0.5 \times Ev_power,\ Ev_power<0 \ 1.0 - 0.3 \times Ev_power, \ otherwise \end{cases}\ base_anger=(1-T_agree) \times Ev_intensity \times power_effect \ healthy_rage = T_attrExt \times |Ev_attribution| \ pathological_boost= T_neuro \times (1 - Ev_controllability) \ self_rage = T_consci \times T_attrSelf \times max(Ev_attribution,0) \times (1-Ev_controllability) \ perfectionism_boost = T_consci \times N_comp \ \ TErage_generator = \begin{cases} dramaend(base_anger \times (healthy_rage + pathological_boost)),\ Ev_attribution < 0\ dramaend(base_anger \times (self_rage + perfectionism_boost)) , \ Ev_attribution\geq0 \end{cases}\ a_+=2.2, b=0.9 $$

• d: $$ base_guilt=T_agree \times Ev_self_involve\ healthy_guilt=T_attrSelf \times Ev_public \ pathological_guilt = T_neuro \times Ev_social \times (1-max(Ev_power,0))\ depression_boost = T_attrSelf \times (1-T_optim) \times Ev_social \ \ TEguilt_amplifier = \begin{cases} dramaend(base_guilt \times healthy_guilt), \ Ev_attribution > 0 \ dramaend(base_guilt \times (pathologocal_guilt + depression_boost)) \end{cases} \ a_+=2.0,\ b=0.7 $$

• e: $$ TEnovel_modulator= \begin{cases} dramaend(T_open\times Ev_novelty),\ Ev_valence\geq0 \ dramaend(T_open\times Ev_novelty\times (-0.5)), \ Ev_valence < 0 \end{cases} \ a_-=2.0,\ a_+=1.5,\ b=0.6 $$

• f: $$ TEsocial_modulator=dramaend( T_agree \times Ev_social\times sign(Ev_valence) \times (1+0.2\times Ev_power)) \ a_- = 2.3,\ a_+=1.8, \ b=0.8 $$

• g: $$ TE_restore=0.5+0.5\times T_resil $$

3.2.4.2.2 生理认知特质调制向量（TraitMod_Phy）

维度	符号	范围	心理学意义	计算方式
压力缓冲因子	TPstress_buffer	[0.2,1.0]	压力缓冲效果（1=完全缓冲，0.2=几乎无缓冲）	h
压力恢复加速因子	TPrestore_accelerator	[1.0,3.0]	恢复速度加速倍数	i
认知资源消耗因子	TPcog_drain	[1.0,2.8]	认知资源消耗速度倍数	j
疲劳积累调制因子	TPfatigue_modulator	[1.0,2.5]	疲劳累积速度倍数	k
警觉度调制因子	TPalertness_modulator	[0.4,1.2]	警觉度基线水平调节	l
认知灵活性因子	TPcog_flex	[0.5,1.5]	思维灵活性调节（<1=僵化，>1=灵活）	m
认知扭曲因子	TPcog_bias		影响所有认知评估类事件因子	n

• h: $$ TPstress_buffer = 1.0-min(1.0, T_resil \times Ev_intensity) \ a_-=2.2,\ b=0.7 $$

• i: $$ TPrestore_accelerator=1.0+dramaend(T_resil) \ a_+=1.5, \ b=1.2 $$

• j: $$ TPcog_drain = 1.0 + dramaend(T_consci \times |Ev_congruence| \times (1-Ev_controllability))\ a_+=1.8, \ b=0.6 $$

• k: $$ TPfatigue_modulator = 1.0 + dramaend(T_neuro \times mapped(Ev_duration))\ a_+=1.7, \ b=0.9 $$

• l: $$ TPalertness_modulator=0.3 + 0.7 \times dramaend(0.6\times T_extra + 0.4 \times T_open)\ a_+=1.2, \ b=0.8 $$

• m: $$ TPcog_flex=dramaend(T_open \times (1-min(1.0,0.5\times T_neuro)))\ a_+=1.5, \ b=0.7 $$

• n: $$ TPcog_bias=T_neuro \times (1-T_optim) \times \begin{cases} 1.2, Emo_sad>0.6 \ 0.8,\ otherwise \end{cases} $$