大型语言模型（LLM）在模拟真实人物方面展现出强大潜力，但忠实的角色扮演仍面临挑战。传统的基于上下文学习（ICL）的方法难以捕捉个体在不同情境下的反应，而仅凭 LLM 进行评估也难以对不熟悉的对象给出可靠判断。
为了解决上述问题，我们提出 Situation‑Internal state‑Behavior Persona（SIB） 方法。该方法将情境、内部状态与行为策略三者结合，构建情境依赖的角色画像，使模型在生成回复时能够依据当前情境动态选择合适的行为模式。
同时，我们设计了一套评估协议：在评估时向 LLM 评审者提供被模仿人物的背景资料、历史言论等参考信息，从而降低评估的主观偏差。
我们基于新构建的社交媒体回复数据集对 SIB 进行实验。结果显示，SIB 在回复质量上显著超越最先进的 ICL 基线，且评估协议与人工评分的相关系数达到中等水平。进一步在虚构角色基准上进行测试，发现该方法同样适用于非真实人物的角色扮演。
这些实验表明，将行为信息纳入角色画像能够普遍提升对真实人物或虚构角色的模拟忠实度。
点评