“人设深度没有帮助，广度才有”——这在实践中是什么样子

关于LLM输出同质化的文献正在发展。“人工蜂巢思维”（Artificial Hivemind）研究将响应间相似度定在0.80–0.90之间，即使在高温度下也是如此。2026年一项针对人设干预的多因素审计发现，对真正在构建系统的人来说更有用的结论是：人设的细节不会带来线性收益，建议是把投入放在广度而非深度上。另一篇论文发现，普通的人设优于著名创意人物的人设，因为普通人设会注入更多独特的线索。我运行一个多读者系统已有数月，这两个发现都与我看到的情况相符。深度是我浪费最多时间的地方。精心设计的档案会产生精细的声音，但注意到的仍然是同样的事物。你会得到四种不同的写作风格，却只报告同一种解读。真正改变结果的是架构，而不是描述。每个读者在独立的会话中工作，在遇到其他读者之前先写出完整的立场，然后才见面。这意味着两个读者之间的收敛是关于文本的证据，而不是关于对话上下文的证据，因为他们之间没有对话。这就给了你一个值得在自己的角色设定上运行的测试：把人设放在隔离环境中，检查它们是否会在没有接触的情况下收敛。完全分歧意味着它们在分配角色。完全一致意味着它们是同一个声音。部分收敛——其中重叠之处与素材对应，分歧之处与每个人设的关注点对应——我把这视为隔离正在起作用的希望。这是唯一有意义的模式。