做AI角色时，你有没有觉得靠提示词设定的"人设"特别假？活泼、开朗写进系统设定，每轮对话都原样塞进去——情绪是静态的，不会随对话起伏，不会累积，也不会沉淀成记忆。我做了个叫affectus的工具，试图解决这个问题：把情绪从提示词里抽出来，做成一个独立运转的状态系统。

代码在这：https://github.com/n-yokomachi/affectus。CLI组件，装完之后agent可以直接调命令来驱动情绪。也可以跑成MCP server，把部分命令暴露成工具。后面用到的实验agent和对话日志，repo里都有。

打开网易新闻 查看精彩图片

为什么纯提示词不够用？看我的个人agent"TONaRi"的设定片段：性格活泼好奇，说话带"...desuwa!"、"...desuno?"的口癖。问题是，这段提示词每轮都原样注入——情绪是快照，不是流。即使有短期记忆，agent也只是根据当前上下文重新组装情绪表达，没有结构让情绪跨轮次持续，也没有机制让多种情绪共存、互相干扰。

我想要的情绪系统要满足几个条件：跟随对话实时变化、随时间漂移、跨session保持、作为标签和对话记忆一起存储。这需要一个显式的情绪状态变量，放在提示词外面，随对话推进更新。

设计思路借用了Plutchik的情绪轮：8种基础情绪（喜悦、信任、恐惧、惊讶、悲伤、厌恶、愤怒、期待），每种有强度等级，可以组合产生复合情绪。情绪状态不是简单的"开心"或"难过"，而是一个向量，各个维度的强度会互相影响、衰减、被新事件激发。

实现上，affectus提供几条核心命令：/emotion get查看当前状态，/emotion set手动调整，/emotion decay让情绪自然衰减，/emotion react根据输入事件计算情绪变化。agent在自己的推理过程中调用这些命令，把情绪管理变成可观测、可干预的系统行为，而不是黑箱提示词工程。

效果怎么样？实验里让agent连续对话多轮，不干预情绪命令的情况下，能看到情绪随话题自然流动：聊到感兴趣的内容时"期待"和"喜悦"上升，被反驳时"愤怒"短暂触发后慢慢衰减，久未互动后整体情绪强度回落。这些变化会写进记忆，下次对话时情绪状态是接着上次的，不是重置。

有个发现：大语言模型的情绪本来就不是显式维护的状态变量。AAAI 2026的一项研究给25个开源模型做性格测试，单纯重排题目顺序就能让测量值大幅波动，大模型也稳不住。Anthropic 2026分析Claude Sonnet 4.5的内部表示，发现情绪概念是上下文依赖激活的——Transformer根据前文临时组装情绪表达。

所以affectus做的其实是"外挂状态"：既然模型内部没有持续的情绪变量，就在外部建一个，让agent有结构化的情绪记忆可用。这和张嘴就来的提示词人设有什么区别？大概是"演一个开心的人"和"真的有个心情好坏的系统"的区别。后者让角色更像角色，而不是台词复读机。