直觉提示法提升LLM智能体社交媒体反应模拟保真度

发生了什么

研究团队为提升LLM智能体的用户模拟保真度，先通过问卷、深度访谈、书面自我介绍为8名塞尔维亚参与者建立用户画像，同步记录他们对68条社媒帖子的真实反应，再让4个大模型在5种不同提示条件下预测这些反应；验证发现要求模型直觉即时响应的提示模式效果最优，将智能体对个体差异的压缩程度从人类水平的7倍降至3倍，对陌生话题的预测效果也大幅超过人工群体基线。

关键信息

研究样本

8名塞尔维亚参与者

测试素材规模

68条社媒帖子、4个大模型、5种提示条件

最优提示效果

个体差异压缩度从人类水平7倍降至3倍

陌生话题表现

预测效果大幅超过人群基线

测试场景

模拟个体社媒反应

背景

当前平台政策越来越依赖虚拟用户开展测试，但此前的智能体验证大多聚焦是否匹配人类整体行为，很少关注智能体是否符合被模拟的用户画像；高保真虚拟用户也存在被用于操纵选举期舆论的风险。

为什么重要

对大模型开发者而言，该结论打破了复杂推理提示一定更优的认知，为不同任务的提示设计提供了新方向；对行业来说，高保真通用模拟用户可大幅降低平台政策测试成本，但也需警惕技术被滥用操纵舆论的风险；对普通用户而言，未来更难分辨线上接触的是否为模拟用户。

后续看点

后续可关注该提示方法在更大规模人群、多语言场景下的效果稳定性，以及配套的模拟用户风险防控规则进展。