大型语言模型（LLM）能够进行社交模拟，但要忠实再现真实用户，需要将平台的结构化决策和语言同时基于稀疏、噪声较大的行为证据进行落地。我们提出 PsyMemBehav，它通过两层身份到行为的推理，将心理学驱动的用户画像和检索到的记忆映射到以目标为先的平台行为。
为支撑该方法，我们构建了 PsyMemBehav‑bench 数据集，收录 5,862 名真实用户在 Reddit、Bluesky 和 Twitter 上的 5.57M 条观察行为，约每位用户 950 条。每条互动被建模为先选定目标，再执行评论、点赞或转发，并可生成可选的回复文本。
PsyMemBehav 结合 41 维用户描述子、BM25 检索的前 5 条记忆、逆向 CoT 监督以及基于评分标准的 DPO，覆盖完整的推理‑行动轨迹。实验表明，27B 规模的 PsyMemBehav 在 12 项个人层面指标中有 11 项排名第一，平均回复质量从 GPT‑5.4 的 54.28 提升至 59.68（相对提升 9.95%），并在群体层面实现最低的 MAE（0.081）和 MSE（0.009），优于所有已评测的模拟系统。
需要注意的是，基准仅在记录的互动上进行条件化评估，未对用户的无行为决策进行建模。
点评：PsyMemBehav 展示了将心理学特征与记忆检索相结合的可行路径，为基于证据的用户建模提供了新的技术参考。