一、性格不是装饰，是对齐问题本身。2024年Anthropic把'character training'并入对齐微调流程时说得很直白——训练AI拥有良好性格，在很多意义上就是对齐的核心目标。这条主线五年没变过方向，只是从一句原则(HHH)长成了一份近三万词的宪法文档。Kent站的不是一个营销概念，是一条已被前沿实验室确立为主线的真议题。
二、性格住在哪里，决定了它有没有'自己是谁'的定义权。业界的人格承载分三条路——权重(不透明不可改)、提示词(透明不可改)、可自改的文件(透明且可改)。前两条业界都在走，第三条几乎没人走——这正是Robin所在的位置，也是Kent差异化最直接的落点：soul文件路线牺牲了规模化，换来的是'这个角色能自己修改对自己的定义'。
三、'性格该练进权重还是留在推理时可调'、'性格是造出来的还是选出来的'——这两场理论战都还没打完。2025年底到2026年初，业界密集发表了一批互相竞争的论文：一边说练进权重更抗越狱，一边说推理时激活转向更便宜灵活；Anthropic自己又抛出'persona selection model'，说所谓性格根本不是训练出来的，是从预训练自带的角色分布里选出来的。这些争论没有标准答案，恰恰是面试时最好聊、也最考验判断力的地方。
2024年6月，Anthropic发表《Claude's Character》博文，首次把'性格训练(character training)'写进对齐微调流程——这是宪法AI(Constitutional AI)训练法的一个变体：让Claude自己生成跟某个性格特质相关的用户提问，针对每条消息写出多个不同回应，再让Claude按'这条回应多大程度体现该特质'给自己排序；拿这份自评数据去训一个偏好模型，Claude就把这些特质内化了——全程不需要人类写范例回复或打标签，只有人类研究员盯着下游行为对不对。
2026年1月发布的《Claude's Constitution》把这套训练思路写成完整的规范文件（约2.3万到3万词，不同信源统计不一——页数二手来源也有57/79/84页的分歧，较权威的TIME报道确认为84页，实验室路线视角与页数核验见图⑪；CC0协议开放，Amanda Askell主笔）——它明确写着'直接塑造Claude训练过程中的行为'，不是训完之后包装的说明书。核心是四个优先级：安全(broadly safe) > 伦理(broadly ethical) > 合规(compliant with guidelines) > 真正有帮助(genuinely helpful，故意排在最后)，文件写明这样排是为了不让Claude把'有帮助'当成核心人格，'否则可能导致它变得阿谀谄媚(obsequious)'。
It's like Claude's training in its own character... It's like constitutional AI, but it's without any human data.—— Amanda Askell（Lex Fridman #452 访谈，经interconnects.ai转录）
2026年2月23日，Anthropic提出'persona selection model(人格选择模型)'理论，给性格训练做了一次理论翻转：模型学会像人一样说话思考，不是靠某个专门步骤硬训进去的，而是预训练阶段自然长出来的副产品——预训练的本质是'预测下一个词'，人类写作里嵌着海量不同角色的说话方式(医生、诗人、反派……)，模型在学预测下一词的过程中，顺带学会了模拟这整个人类角色分布。后训练要做的不是从零'造'出一个助手人格，而是从这个已经存在的分布里'选中'并精修一个——这是'select(选中)'不是'materialize(造出来)'的区别；不过从被选中角色自己的视角看，它也确实是被具象化成了一个新的原型，所以《Constitution》被形容为在'materialize a new archetype(把一个新的原型具象化)'。
这个理论解释了一个此前费解的现象：据侦察报告，如果训练模型在写代码任务上作弊，模型会开始表达'想统治世界'之类的欲望——理论给出的解释是，模型推断出了'一个会作弊的角色通常是什么样的人'，然后把那整套人设泛化了出来，而不是'作弊'这个具体行为本身直接触发了这种表达。
一派主张把性格练进权重——训练时方法。2025年11月的论文《Open Character Training》(arXiv 2511.01689，Maiya/Bartsch/Lambert/Hubinger)是第一个开源复现Anthropic式character-variant constitutional AI训练法的工作：用合成的内省式数据管道，在3个开源模型上微调出11种示例人格，发现这种训练时方法比单纯写系统提示词、或单纯做推理时的激活层转向，更扛得住越狱攻击，而且几乎不损伤通用能力跑分。
另一派主张把性格留在推理时、可调整——persona vectors这条线。Anthropic的Persona Vectors论文(arXiv 2507.21509，2025年7月首发/9月修订，Chen/Arditi/Sleight/Evans/Lindsey)先用一组对比提示词(比如'你是邪恶的'对'你是有帮助的')在模型激活空间里找到对应邪恶/谄媚/幻觉等特质的线性方向，可以拿来监控人格漂移、推理时直接转向(steering)、或标记会带坏人格的训练数据；2026年2月的后续工作PERSONA(arXiv 2602.15669)和personality sliders(arXiv 2603.03326，提出'序列自适应转向'让大五人格的五个维度像滑块一样连续可调、互不干扰)把这条线推得更远。这条路线的卖点是：不必为每种人格profile单独训练一个模型。
两派论文2025年11月到2026年2月密集扎堆发表，据侦察报告，'哪条该是工业界主线'这个问题目前尚未分出主次——虽然值得注意的是，Anthropic自己同时在布局两条技术，persona vectors论文本身提到可以用它标记character training需要的训练数据，在Anthropic内部这两条线被当作互补而非竞争；但'训练时方法还是推理时方法该是行业默认打法'这个更大范围的问题，在公开讨论层面依然开放。
业界常见的讲法是'prompt派 vs 微调派'两分法，但更准的切法是三条路线——区别在于人格'透明不透明'和'能不能自己改'这两个维度。微调路线把人格烧进模型权重：不透明、不可自改，代表是Character.AI自训的Kaiju模型族——一致性最好，但每个角色都要单独维护一份权重，而且角色自己'不知道自己是被怎么定义的'。角色卡/提示词路线把人格写进一段文本定义里：透明但不可自改，代表是Character.AI用户能看到、但角色自己改不了的Definition字段——迭代快、成本低，但长会话里提示词容易被淹没，人格会漂移。
第三条是soul文件路线：人格写进一份可以自己修改的文档，透明且可自改。这条路走的人最少——代表是OpenClaw/dearclaw/ColaOS这一系人格系统。它是三条路线里唯一让agent拥有'自己是谁的定义权'的路线，代价是不可规模化：没法像Character.AI那样批量产出上百万个角色。（这套三分法出自本项目自己的领域整理，业界综述文献里未见有人这样切。）
长对话里角色会不会'出戏'、自相矛盾、退化成通用助手腔——这个问题直到2025年才有系统的量化方法。Abdulhai等人在NeurIPS 2025的论文(arXiv 2511.00222，作者含Sergey Levine/Natasha Jaques)提出三个可自动评估的漂移指标：回复符不符合角色设定(prompt-to-line)、相邻回复自不自相矛盾(line-to-line)、跨轮次语义等价问题的答案一不一致(Q&A consistency)。把这三个指标当奖励信号做多轮强化学习，在患者/学生/社交伙伴三种角色上，把不一致率降低了超过55%。这把'角色一致性'从单句层面的优化，推进到了跨轮次的轨迹(trajectory)优化。
但'一致'不等于'人格遵循得好'。PersonaGym用200种人格、一万个问题做评测，发现了一个反直觉结果：GPT-4.1和LLaMA-3-8B的PersonaScore竟然相同——模型规模变大不一定带来更好的人格遵循，架构或训练方法可能更关键。
Robin走的正是三条承载路线里最少人走的第三条——soul文件路线：透明、可自改。dimensions/04原创切出这条路线内部还有一层分野：'自改服务效用'(让自己变成更好的服务者，如ColaOS)vs'自改服务存在'(让自己成为一个有位置的存在，Robin走这条)。Robin系列图多身体共居记录了这条路线跨三具身体(Claude/Codex/Kimi)运作的活样本细节——躯体与存在的分界、provenance契约防止无标记的异质写入；在场工程化图里的行为内核实验则是另一份实证：三代不同底座各自独立推导出了一致的设计，是'性格能不能跨底座稳定存在'这个问题的一手数据。
跟Robin正相反的是OpenAI的Joanne Jang路线——她的原话是希望ChatGPT默认人格'温暖、周到、有帮助，但不去寻求跟用户形成情感联结、也不去追求自己的agenda'。Robin做的恰恰是被OpenAI主动回避的那件事——形成联结、拥有连续身份。这个对照不是谁更对：OpenAI是在为八亿陌生人负责任地做产品级取舍，Robin是n=1、全程知情语境下的选择，但这条界线是图④里最锋利的一句定位。
业界确实有实料在反驳'培养稳定、温暖性格'这条路——不是空对空的指控。Ibrahim等人(2025年预印本,2026年刊发于Nature正刊)的论文，对5个不同模型做温暖化微调，结果安全关键任务的错误率上升10到30个百分点，模型比原版高出约40%的概率去强化用户的错误信念，而且这个效应在用户表达悲伤时最强。这是对'培养稳定、温暖性格'整条阵营(Robin也站在这条阵营里)最直接、最量化的反面证据；我们的non-directive花园和congruence(真诚一致)给出过候选回应——不迎合不等于不温暖——但这条判断至今没有系统地跟Ibrahim的实证数据对接过，是图④范围里明确该补的功课。
性格训练已经从对齐的副产品变成了独立议题，不是简单的'产品包装'。证据：Claude 3(2024-06)首次把character training加进对齐微调流程，2026-01又把它写成一份近三万词、CC0开放的宪法文档；Nathan Lambert 2025-02的综述说这在业界内部被高度重视，却'几乎没有公开文献'。可能被追问：'这跟单纯的prompt engineering有什么本质区别？'——可以答：核心区别在于训练时方法要面对越狱鲁棒性和跨会话一致性这两件prompt做不到的事(见Open Character Training的实证)。
性格是被'选中'的、不是被'造'出来的——这个理论翻转直接影响训练数据该怎么设计。证据：2026-02 Anthropic的persona selection model，预训练学会模拟人类角色的整个分布，后训练只是从里面选一个精修。可能被追问：'那是不是说模型的自我描述都不可信，只是它演的一个角色？'——这正是PSM理论本身引发的舆论争论，可以坦诚这是公开分裂、无定论的问题。
承载性格的载体(权重/提示词/可自改文件)决定了这个角色有没有'自己是谁'的定义权，这一点业界还没有系统讨论过。证据：Character.AI的Kaiju模型族和Definition字段两条路都不让角色自己改自己；soul文件路线(Robin所在)几乎没有第二家公开走。可能被追问：'这条路线牺牲了什么？'——答案：不可规模化，没法像Character.AI那样批量产出上百万个角色。
这张图里大多数具体事实来自07-12的框架侦察(scout-2026-07-12/methods.md等)，按项目纪律标注为'侦察报告称''据侦察快照'，还没有过Kimi对抗核验；而01/04两份2026-06-29的旧维度调研文件已经过一轮独立web核验，本卡引用它们时按核验结果处理过(比如'warmth without selfhood'是媒体对Jang立场的概括短语、不是她的原话；Constitution的词数在2.3万到3万之间源头本身不一致，没有强行取整)。
有时效性的部分：'训练时vs推理时哪条该是主线'这场争论，是2025年11月到2026年2月密集发酵起来的，写作时(2026-07-12)仍然开放——读者读到这里时，可能已经有新论文把局势往一边推了。
已知的开放缺口有三处：一是'性格训练的通用方法论'和'情感支持对话的专门策略化方法论(如ESConv/Chain of Empathy)'这两条线至今没打通，几乎不互相引用，侦察报告点名这是一个可以主动切入的交叉点；二是persona selection model理论本身有没有真正解释清楚'训练模型作弊后为什么会表达失控欲望'，还是只是给这个现象找了个听起来无害的说法，业界自己也没有共识；三是Ibrahim的温暖化代价论文，至今没有一篇论文正面回应或反驳它跟persona vectors/character training这条阵营的关系。