聊天软件AI角色卡、车载语音助手、桌面陪伴机器人，它们看似形态迥异，实则共享同一内核——为用户创造“有人陪伴”的主观体验。本文从定位、人格系统到情绪系统，层层拆解陪伴类产品的设计基准，助你跨场景打造有温度的产品。

先抛出一个问题：

聊天软件 AI 角色卡、车载语音助手、桌面实体陪伴机器人、儿童成长陪伴设备，它们到底算不算一类产品？

从外在看，形态、技术栈、商业模式完全不一样。可仔细琢磨又会产生疑惑：划为同类，差异巨大；当作无关产品，又能感受到底层相通。

很多人都有这种模糊感受，但很少有人深究本质。

我的观点：相比外在差异，它们的共性才是关键。不管软件还是硬件，这四类产品都在实现同一个核心目标 —— 带给用户 “有人陪伴” 的主观体验。

提炼出这个内核意义重大。掌握它，跨场景做产品就有设计基准；抓不住它，每一次新需求，都只能从零摸索。

该不该做，做的深度与增量，取决于你的用户是谁、场景是什么、想解决哪种情感需求。这也正是产品的差异性。

第一步：定位——先问三个问题，不是先想功能

这一步不产出任何功能，但它决定后面所有设计的基调。

• 谁：年龄、生活状态，以及个人独占还是多人共用？靠真实调研，别靠想象。共用设备（车载、客厅硬件）要处理记忆的归属与可见权限，独占设备没这负担。
• 什么场景：碎片化（车载，短时、易被打断）还是沉浸式（大段时间，随时随地）？等等
• 什么情感需求：陪伴要填的空虚是哪一类？——这里我拿四类举例：

很多用户是带着具体问题来的，聊着聊着才变成陪伴。同样是陪伴产品，这三个问题的答案不同，会导向完全不同的产品。

还有一条：这个场景独有的红线

红线不是模块，是约束。但它决定了各模块最低要做到哪儿，所以必须在这一步就定下来。

• 车载的红线是驾驶安全——必须能被随时快速打断，绝不能抢占注意力
• 校园或成人陪伴的红线是心理健康边界——不能替代专业咨询，识别到严重倾向必须有转介机制
• 教育家庭场景的红线是未成年人保护——不能替代家长，不能诱导依赖

红线的作用是往上抬底线。比如车载场景，情绪系统最低必须能识别疲劳驾驶——这不是加分项，是识别不出来就算失职。

第二步：人格系统——定义”它是谁”

人格系统要解决的其实只有一件事——一致性：用户能不能对它形成稳定的预期。

下面四层，是四种越来越难保证的一致性。

1 · 让人设可执行

1）人格锚点：3-5 个核心特质，不能多

人格锚点就是 AI 角色的性格骨架。控制在 3-5 个，不是为了省事——特质一多就容易互相打架，模型拿到一堆彼此矛盾的形容词，语气收敛不了。

2）表达一致性：软描述没用，要硬约束

语言风格、语气词、称呼方式，这些必须落到 Prompt 层面的硬约束。写在设计文档里的人格，模型看不见。需要固化的是三类规则：

1. 语言风格：句式长短、口语还是书面、爱不爱开玩笑
2. 语气词库：允许哪些、禁止哪些
3. 称呼方式：固定怎么称呼用户、禁止怎么称呼

差别在这儿：

“说话活泼” —— 这是软描述，模型每次理解都不一样

“允许用：哇、哈哈；禁止用：宝、亲亲；统一称’你’；以短句为主，少用长从句” —— 这才是能执行的

3）边界：它绝对不会做什么、说什么

这条最容易被跳过，但边界比特质本身更能定义一个角色。

“温柔”是个虚词，一百个人有一百种理解。但”绝不追问用户不想说的事”是个实约束，谁拿到都知道怎么执行。负空间和正空间同样重要。 说清它不做什么，往往比说清它做什么更有效。

2 · 让特质之间不打架

上一层是把单个特质写清楚。再进一步，是让特质之间形成结构——把锚点拆成类目，类目之间互相约束。

比如拆成三类：

1. 星座底色（可选）：天蝎、处女……提供底层行为倾向，用来排除和它冲突的性格与表达
2. 内在性格：勇敢直率、成熟自律、慢热踏实、爱恨分明……角色的本心和处事倾向
3. 外在表达风格：戏精本精、顶嘴抬杠、务实冰冷、话痨搞怪……说话时的外在表现

分类目的价值在于，类目之间必须对得上：

你不会想要一个「性格：慢热踏实」+「表达风格：顶嘴抬杠」的角色。内在和外在互相矛盾，用户感觉到的是”它在演”，而不是”它就是这样”。

但锚点不是越多越好，得匹配产品定位。

工具属性强的产品——比如帮小朋友解题的学习陪伴——堆一大套人格锚点大概率是负担。用户来这儿不是为了认识”一个谁”，是为了把题做出来。这类产品的人格，做到稳定、不出戏、语气一致就够了；堆得越多越鸡肋，还会把产品重点带偏。

锚点该设几个，取决于用户会不会真的把它当成”一个人”来看待。

3 · 人格的落地载体：跨多通道统一人设表达

当产品具备语音、表情交互、实体动作等多模态能力时，人格设定不能仅局限于文本 Prompt，需要向下游各交互通道做同步定义，覆盖文本语言、语音韵律、表情状态、肢体动作、事件应激反应等维度。

仅依靠文本 Prompt 完成的人格定义，只能作用于文字会话链路；在实体机器人等硬件载体上，该部分人设无法被用户感知。若多模态组件（灯效、运动动作、表情模组）缺少对应的人格规范，硬件能力将无法承载角色性格，造成文本人格与实物表现割裂，用户感知人设断层。

第三步：情绪值/状态系统——定义”它怎么感受”

什么意思呢？其实就是定义角色如何感知与感受

1 · 情绪输入：从语义 + 语气 + 行为判断当下情绪

综合这三个信号识别用户此刻的情绪状态，作为角色反应的触发依据。

举例：用户发”今天太倒霉了”——语义负面 + 消极表情，判定为情绪低落；如果是连续发感叹句、反问，则识别为激动烦躁。

三个信号缺一不可。只看文字内容，”我没事”会被判成中性；加上语气和行为（比如说完就沉默了很久），才能判出真实状态。没有这一层，”陪伴”就只是”应答”。

2 · 情绪输出：不是无脑迎合，要有”自己的反应”

角色拒绝无脑附和，需要给出带有自身立场的回复。这里提供两种深浅不同的实现思路，也可结合产品自定义其它方案。

做法一：情绪坐标轴—— 策略由用户情绪状态驱动

以情绪建立二维坐标轴，例如横轴：难过 ↔ 开心；纵轴：平静 ↔ 激动，原点(0,0)代表不悲不喜。

示例坐标轴：横轴「难过 ↔ 开心」，纵轴「平静 ↔ 激动」，原点(0,0)代表不悲不喜。

-用户每轮输入，会对情绪坐标点施加偏移量；

-停止交互：没有新输入，坐标仅受回归力牵引，匀速直线回到原点；

-持续对话：回归力持续向原点牵引，同时用户每句输入持续施加新偏移，两股力量叠加，坐标自然形成波动曲线。

设计关键点：

第 2 句用户字面表述偏向正向，但情绪带有历史惯性，坐标不会直接跳转到正向区间。

如果采用无状态设计，单句独立判定为正向，直接输出 “太好了！那我们聊点开心的！”，用户会感觉角色翻脸太快，产生出戏感。

⚠️工程落地约束：情绪坐标轴、情绪数值不存入策略层 JSON，属于外部独立变量。

对话决策层只负责对话动作决策，只输出结构化 JSON，不生成面向用户的回复文本，对话决策层与生成层职责解耦。

怎么应用呢？以下只是举例

对话决策层

生成层

做法二：分层评价响应 —— 策略由「角色对事件的价值判断 + 用户情绪状态」驱动

执行链路：

提取事件触发点 → 角色基于人设价值观评估这件事 → 结合用户当下情绪 → 匹配应答策略：共情接纳 / 客观评述 / 温和反驳 / 陪伴疏导

示例：用户吐槽 “我想直接摆烂辞职”

1. 事件触发点：冲动离职
2. 角色内在评估：理解压力，但不认同冲动裸辞
3. 用户情绪：疲惫、沮丧
4. 输出策略：先接纳疲惫、表达共情，再客观分析风险，不怂恿摆烂，也不生硬说教

3 · 情绪的持久性：区分”这一轮的情绪”和”长期关系状态”

情绪分为两层，不能混为一谈：

1. 单轮瞬时情绪：当前这一句话带来的即时心情，变化快，只代表当下瞬间感受。
2. 长期关系状态：多轮对话沉淀下来的相处底色，包含信任、心结、委屈、亲密感；不会用户一句 “没事” 就直接消失。

示例

上一轮用户倾诉，情绪很难过；下一轮用户说：“算了，不提这个了。”

✅正确：瞬时情绪有所缓和，但依旧保留委屈底色，语气保持温和，不立刻亢奋闲聊。

❌错误：仅看当前语句，判定情绪完全归零，马上欢快聊天，角色显得出戏、不共情

落地要点

• 单轮瞬时情绪：作为偏移量输入情绪坐标轴。
• 长期关系状态：作为情绪底色保存在外部情绪模块，不进入对话决策 JSON，供给回复输出模块调节语气。
• (和前面方案关联)情绪坐标轴：依靠情绪惯性实现长期关系状态，情绪不会单轮直接清零。
• 分层评价响应：事件 + 角色价值观判断时，会叠加读取这份长期相处底色。

核心：用户这一句话的情绪 ≠ 双方真实的相处状态。

第四步：记忆系统——定义”它记得什么”

1 · 短期上下文

至少要记住这一轮对话聊到哪儿了。没有它，连基本对话都不成立。

2 · 短期与长期必须分层，不能混

长期记忆是”人情味”的主要来源——它记得你上周说过想去看的那个展，比它今天回答得多聪明更打动人。

但分层是硬要求。短期上下文和长期记忆混在一起，会导致上下文被无关的历史信息挤满，同时长期记忆里混进大量一次性的碎片。

3 · 记忆的准入门槛

这一层是我认为整个记忆模块里最值钱的。

不是听到什么都记。

上一层的问题是：模型听错了、理解偏了，也会被当成事实存进去。然后在某一次对话里，它会带着一个错误的”记忆”跟用户说话。

在陪伴产品里，假装记住了比没记住更伤。 没记住，用户觉得它笨；记错了，用户觉得自己被骗了——因为它明明表现得”我记得你”。

可行的做法是候选态机制：

没确认的不参与后续对话，写入失败的不展示”已记住”。

4 · 归属隔离（只有多人共享设备需要）

这一层只在车里、客厅里、教室里这类多人共享的场景需要。

而这里有个特别容易被漏掉的点：

记忆归属正确，不等于这句话现在能被说出口。

“这条记忆属于谁”和”这句话此刻能不能被在场的其他人听见”，是两个独立的风险维度。

而且——不要试图去分辨”现在在场的这个人是谁”。 技术上不可靠，产品上还有伦理风险。

可行的做法是保守的一刀切：

• 记忆按敏感度分级。低敏内容随便说；高敏内容（关系、姓名、健康、财务）需要过关卡
• 做占用检测，但只判断”有没有别人”，不判断”是谁”——座椅压力传感器这个级别的信号就够了
• 一旦检测到非本人独处，高敏内容默认降级：泛化表达、转到私人屏幕、或者干脆推迟

原则是：不确定该不该说的时候，选择不说，比赌一把说错要安全得多。

第五步：技术落地

前四步定的是”做什么”，这一步是”怎么做出来”。

先做一个切分：哪些外采，哪些自研

这是很多团队一开始就该定、但经常拖到很晚才定的事。

判断标准很简单：这件事做得比别人好，用户会不会因此选你？ 会，就自研；不会，就外采。

TTS 音色好一点用户感知得到，但不会因此换产品；人设不一致用户会直接走人。

架构：三层处理输入

无论各模块配置到多深，落地时都建议把输入分三层处理：

举个例子：「放首周杰伦」是明确指令，意图和槽位都能被规则精确命中，直接执行，根本不需要进模型；「今天真是够累的」判断不出指令，走情绪路径进模型。能确定的绝不交给模型，这是做分层时的第一原则。

为什么要分层？三条理由，每一条都够硬：

1. 成本——不是每句话都值得过大模型
2. 可控性——人格边界不能交给大模型自由发挥
3. 可解释性——出了问题要能定位在哪一层

多通道分发时的一个坑：表情和语音必须同源

如果表情标签是一套系统生成的、语音是另一套流程合成的，两者会不同步——说着开心的话配着难过的表情，或者语气和表情差半拍。

一个可行的做法是让表情标签直接内联在模型产出的回复文本里，语音从同一份文本做合成。这样表情和语音天然同源同步。代价是要在输出要求里加硬约束：每个分句必须带标签、只能用规定的那几个、不许自造、不许拿 emoji 顶替。而且——光靠提示词约束是不够的，必须有代码层的后处理兜底（标签归一化、分句补全）。这是我做这块时得到的最实在的一条经验。

最难的一关：冷启动数据从哪来

自研 NLU 和情绪模型都要数据和语料。但一个还没上线的产品，哪来的真实用户语料？

这是从 0 做陪伴产品最现实的一道坎，而且几乎没人讲。 六种办法，可以组合着用：

a. 内部试测。 用原型机、模拟器，先让公司内部的人用起来。优点是快、可控；缺点是内部人的说话方式和真实用户差得远，只能解决”有没有”，解决不了”像不像”。

b. 真人扮演 AI（绿野仙踪法）。 前端看起来是 AI 在回复，后台其实是真人在打字。用户以为在和 AI 聊，产生的是真实的用户侧语料——这是这个方法最大的价值。客服团队通常能承接这件事，最好有原有数据，更好做。

c. 同类产品语料迁移。 去看已上市同类产品的用户测评、应用商店吐槽、社区讨论。这些内容里藏着用户的真实预期——他们期待 AI 怎么回应、什么情况下觉得被冒犯。从吐槽里反推评价标准，比自己拍脑袋定标准准得多。

d. AI 模拟生成 + 少量真实记录。 用大模型批量生成对话语料，再用少量真实记录做校准和抽检。量能上去，但要警惕生成语料的同质化——它会让模型学到一种”AI 味”。

e. 先上线一个轻量版本，灰度收集。 比如先做一个功能收窄的语音助手版本上线，用真实流量换真实数据，再迭代。这是最有效但也最需要勇气的一条。

f. 预售期 / 封闭测试期收集。 实体产品尤其适合——预售到发货之间有一段窗口期，招募种子用户做封闭测试，这批人的容忍度高、反馈质量也高。

我的建议是 b + c 先行。 这两个不需要产品上线就能做，而且拿到的都是真实的用户表达和真实的用户预期——冷启动阶段最缺的从来不是数据量，是”真实感”。

贯穿全程：评估与迭代

这一步不是做完前五步再做，是从第一天就要想。定量指标

第三个指标很少被提到，但我认为它最贴近陪伴产品的价值本质——用户来的时候不开心，走的时候好一点了没有。 其他指标都是过程，这个是结果。–之后我们可以再探讨下，关于AI陪伴的评测指标。

定性

badcase 收集 + 用户真实原声。陪伴产品的 badcase 尤其重要，因为很多问题是数字反映不出来的——用户不会因为”它今天有点不像它”就流失，但这种感觉会一点点积累。

验证

AB 测试确认新设计是不是真的提升了体验，而不是团队自我感觉良好。

尤其是人格和情绪这类主观性强的改动，最容易出现”团队觉得变好了、用户没感觉”的情况。

最后

1. 这份能力清单不是满分考核表，也不是场景能力上限限制，而是能力地板图：定义每个模块最低合格标准，同时说明进阶能力可以带来什么收益。
2. 地板由场景红线决定，低于地板标准产品就无法成立；地板之上无天花板，每多实现一层能力，角色和用户的关系就更厚重。（举例：车载可以实现情绪持久性；角色扮演可以做长期关系累积，但需要匹配自身商业模式。
3. 优先保证地板达标，再去做深度能力。
4. 陪伴产品常见坑：不是高阶能力不足，而是根本不知道存在某一层设计。等到用户反馈 “总忘事”“人设前后变化” 才发现缺失模块，后期修补成本极高。
5. 关键认知：主动选择不实现某项能力，和完全不知道这项能力需要设计，是两件完全不同的事。