语言模型在开放式任务中常产生同质化回答，这会导致“群体思维”，即思想趋向单一且可能次优的决策。本文将角色多样化定义为集合层面的条件化问题，并从两个正交维度展开设计：选择角色还是生成角色，以及填满空间的多样性还是寻找前沿的多样性。基于此设计空间，本文实现了四种方法：
- 覆盖度子集选择（coverage subset selection）
- 分散度子集选择（dispersion subset selection）
- 均匀覆盖抽样（uniform‑coverage sampling）
- 进化式角色生成（evolutionary persona generation）
在三项创意评测任务上进行实验：替代用途任务（AUT）、Infinity‑Chat 和发散联想任务（DAT）。结果显示，进化式角色生成在 AUT 上将回答的多样性提升 78.8%，原创性提升 26.1%，灵活性提升 49.5%，整体创意提升 13.9%，且有效性保持在 98.5%；在 Infinity‑Chat 上，角色引起的回答差异几乎是随机角色的两倍。进一步将进化式角色与针对创意优化的提示组合，可额外提升回答多样性 18.6%，创意提升 6.3%。
这些实验表明，角色集合的几何结构是一种任务无关的机制，可用于激发 LLM 的发散输出，并且角色多样化可以作为提示优化的可复用补充。
点评