少思考更拟真：直觉式提示提升 LLM Agent 模拟个人社交媒体反应，涵盖陌生内容

arXiv:2609.30563v1 公告类型：新发布 摘要：平台政策正越来越多地在人工用户身上进行测试，这使得 Agent 的保真度变得重要。然而，足以乱真的虚假个人资料也可能在选举前操纵公众舆论的感知。现有验证工作集中于 Agent 行为与真人行为的一致程度，却很少关注 Agent 的行为是否符合其被赋予的人设。本研究通过问卷、深度访谈和书面自我陈述为八名塞尔维亚参与者建立了个人档案，记录了他们对六十八条社交媒体帖子的反应，并要求四个语言模型在五种提示条件下——分别改变档案内容与指令风格——预测这些反应。态度性内容对预测的提升远超人口统计学背景故事。Agent 与其所述档案的匹配程度，甚至高于参与者与其自身问卷答案的匹配程度；而一旦提供了档案信息，一致性便与保真度无关。与要求分析式作答相比，指示模型凭直觉即时反应的条件在所有条件中取得了最高保真度，并将个体差异的压缩程度从真人水平的七倍降至三倍。这一优势在问卷从未涉及的话题帖子上依然成立：该条件在所有实验设置中达到了最高保真度，并以大幅优势击败了众包基线，提示以这种方式提示的 Agent 或可充当通用型模拟用户，而非仅限于其被建档话题的专家。研究结果对语言模型的发展可能具有启示意义，因为基于直觉的设置在部分任务上似乎比基于推理的设置更为适用。