角色生成器：大规模生成多样化的合成角色

评估与人类交互的 AI 系统，需要理解它们在多样化用户群体中的行为，但收集有代表性的人类数据往往代价高昂或不可行，对新技术或假设性的未来场景尤其如此。生成式智能体建模（Generative Agent-Based Modeling）方面的近期工作表明，大语言模型能够高保真地模拟类人的合成人设，准确再现特定个体的信念与行为。然而，大多数方法需要关于目标人群的详细数据，且往往优先考虑密度匹配（复制最可能出现的情况）而非支持覆盖（覆盖所有可能的情况），使长尾行为得不到充分探索。我们提出 Persona Generators，即可为任意上下文定制多样化合成人群的函数。我们应用一个基于 AlphaEvolve 的迭代改进循环，把大语言模型用作变异算子，在数百次迭代中不断精炼我们的 Persona Generator 代码。这一优化过程产出轻量的 Persona Generators，能够自动把简短描述扩展成多样的合成人设人群，沿相关多样性轴最大化观点与偏好的覆盖。我们证明，进化得到的生成器在留出上下文上于六项多样性指标大幅超越现有基线，产出的人群涵盖标准 LLM 输出难以实现的稀有特质组合。