复旦LifeSim生活模拟框架赋能上海创智学院长程用户研究

评测AI助手时，我们常常关注它能否写代码、做翻译或回答常识问题。然而，一个真正理想的个人助手，例如钢铁侠的“贾维斯”，其核心价值远不止于此——它需要理解你长期的偏好，记住你上周的困扰，甚至能洞察你在雨天不想出门时那句“有点累”背后隐藏的真实需求。这正是当前AI能力评估中存在的一个关键盲区：静态的、脱离真实生活场景的测试，难以有效衡量模型在动态、连续的个性化服务中所展现的综合能力。

近期，复旦大学与上海创智学院联合发布了一项名为“LifeSim”的创新研究，旨在填补这一重要空白。作为首个专注于长程用户生活模拟的评估框架，它试图为个性化AI助手构建一个更贴近现实的“能力考场”。

LifeSim是什么

简而言之，LifeSim是一个用于评估个性化AI助手长程服务能力的用户生活模拟框架。其核心目标是构建一个动态、连贯的虚拟生活场景，让AI助手在其中接受全面而真实的考验。

该框架的巧妙之处在于，它借鉴了经典的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（例如行程安排、对话内容），更致力于建模用户内部的认知状态——包括其信念、渴望与计划。同时，时间、地点、天气等真实世界的外部约束条件也被整合到模拟中。最终，系统能够生成一系列符合逻辑的用户生活轨迹，并基于此与AI助手展开多轮深度交互。

为了进行系统化的评估，研究团队还同步推出了LifeSim-Eval基准测试，包含了1200个多样化场景，覆盖健康、娱乐、社交等八大生活领域。该基准的核心任务是检验模型在处理用户显性意图（直接表达的需求）和隐性意图（需结合场景与用户历史推断的需求）方面的能力，以及其对用户长期偏好的建模与对齐水平。

LifeSim的主要功能

为了实现上述目标，LifeSim构建了四大核心功能模块：

• 长程生活轨迹模拟：这并非随机事件生成。框架基于真实的出行数据，能够生成跨天甚至跨周的、具有连贯性的用户生活事件序列。每一个事件都受到时间、地点、天气等外部环境因素的合理约束。
• 多轮交互行为模拟：在生成的生活轨迹节点上，系统会模拟用户与AI助手进行自然对话。此过程支持复杂的认知行为模拟，例如记忆冲突检测（判断用户当前陈述是否与过往记忆矛盾）、情绪推理，并基于此动态选择用户后续的言行。
• 个性化能力评测：通过LifeSim-Eval基准，它可以量化测试AI模型在识别显性与隐性意图、重建用户长期偏好、以及使自身行为与用户画像保持一致等方面的综合能力。
• 隐私安全数据合成：该框架支持生成百万级多样化的虚拟用户画像，为需要大量数据进行训练或微调的个性化助手模型，提供了高质量、无隐私风险的合成数据来源。

LifeSim的技术原理

LifeSim能够实现高度逼真的模拟，依赖于其内部四个精密协作的“引擎”：

• 信念引擎：这是用户的“认知中枢”。它负责整合长期稳定的用户画像（如人格特质、生活习惯）和短期动态的情境认知（包括当前的物理位置、心理状态、环境状况等）。
• 愿望引擎：基于信念引擎提供的状态，它会从一个预设的需求库中检索候选意图，然后结合用户当前信念和外部环境进行优先级重排序，从而决定用户当下最可能产生的愿望。
• 事件引擎：愿望需要被具象化为具体的生活事件。该引擎通过逻辑函数控制事件的触发概率，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助手对用户做出回应后，这个引擎负责生成用户的下一步反应。其过程分为三步：记忆感知（检测助手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的响应文本）。

如何使用LifeSim

无论是希望快速体验，还是需要进行严谨的模型评测，LifeSim都提供了相应的使用路径。

在线 Demo 体验

对于大多数只是想初步了解的研究者或爱好者，在线Demo是最便捷的入口。

• 访问官网：直接打开项目提供的演示页面，即可看到一个可视化的交互界面。
• 预设演示：你可以选择一个系统内置的虚拟用户，然后在模拟的时间轴和地图上，点击任意一个生活节点（例如“周二晚上8点，在家”），系统会还原当时的场景，并允许你与这位虚拟用户进行对话。
• 实时生成：你还可以自定义用户的年龄、职业、人格特质等参数，然后观察系统的BDI引擎如何为这个“新创建的用户”实时生成生活事件，并与之进行交互。

本地部署评测

对于需要批量测试或进行深入研究的团队，则可以选择本地部署。

• 环境准备：按照官方指南安装Python依赖，并准备好用户画像与生活事件数据。
• 模型配置：你需要接入两个模型：一个是用于模拟用户的模型（例如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：可以选择单场景模式（测试独立对话）或长程模式（测试带历史记忆的多轮交互）。系统会自动运行并生成完整的对话日志。
• 自动评分：框架集成了LLM-as-Judge（大语言模型作为裁判）机制，可以从意图识别、隐性需求满足、画像对齐等7个维度，对AI助手的表现进行自动化打分。

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，旨在评估个性化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相融合，驱动用户行为生成。
• 数据规模：依托于百万级的用户画像池、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

与现有的各类智能体评测基准相比，LifeSim的独特价值体现在以下几个方面：

• 填补真实场景鸿沟：它突破了当前主流评测静态、短上下文的局限，首次实现了跨天、跨周级别的长程生活模拟。这使得评测不再是一次性的问答，而是对AI助手能否成为“长期生活伴侣”的连续性考验。
• BDI认知架构深度建模：不同于简单的角色扮演提示，它基于严谨的信念-愿望-意图心理学模型，模拟用户“如何思考”。这确保了虚拟用户的行为链具备内在的一致性和合理性，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语言模型在理解用户隐性需求方面的短板。根据论文数据，在此类任务上，不同模型的性能差距可超过20分，这为模型优化指明了清晰的方向。
• 物理-认知双环境融合：它将真实的地理轨迹、时间天气等硬约束，与动态的心理情绪、记忆遗忘等软机制相结合。生成的每一个事件，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：项目代码、数据及详细使用文档均已开源。
• 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进行交互体验。

LifeSim的同类竞品对比

为了更清晰地定位LifeSim，我们将其与领域内两个知名的代表性工作进行了对比：

通过对比可以看出，LifeSim在评测的“深度”和“真实性”上找到了一个独特的平衡点，专注于解决个性化AI助手评测这一具体而关键的问题。

LifeSim的应用场景

这样一个框架，其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了一个标准化的“长程个性化”考场。厂商或研究者可以精准评估自己的模型在理解隐性意图、保持长期记忆、对齐用户画像等方面，与顶尖模型存在的差距。
• 合成数据生成：利用其百万级用户模拟能力，可以生成大规模、多样化且规避隐私风险的长期交互对话数据。这对于数据需求量大的个性化助手微调或强化学习训练，是一个宝贵的资源。
• 智能客服与伴侣 AI 预训练：可以在系统上线前，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的风险与成本。
• 人机交互（HCI）学术研究：为认知科学、社会心理学等领域提供了可控的实验平台。例如，可以研究不同人格特质（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。

总而言之，LifeSim的出现，标志着AI评测正在从“任务完成度”向“服务契合度”深入。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，这类评测工具的价值，只会愈发凸显。