缓解具有纵向生命轨迹的 LLM 智能体中的身份本质主义

大语言模型 (LLM) 提供了一种可扩展的社交模拟方法，但其可信度取决于代理的构建方式。现有方法可以部分重现种群水平的模式，但往往无法捕获类人类的多样性。我们的分析表明，静态特征代理表现出比人类更强的人口统计分离和组内压缩，这种模式与身份本质主义一致：人口统计标签可以鼓励模型将群体平均倾向视为个体特征，从而使群体内的反应同质化。我们认为这种限制源于两个相关因素：稀疏、静态的代理表示以及仅提示记忆持续整合经验的能力有限。受互补记忆系统的启发，我们提出了 LifeMem，这是一种纵向记忆框架，它将结构化生活事件检索与特定于代理的参数记忆相结合，以实现经验整合。使用三个 LLM 进行的理解社会实验表明，LifeMem 在响应分布、整体和组内多样性以及跨生命阶段的人内响应变化模式方面改善了与人类数据的一致性。这些发现强调了纵向生活事件记忆对于构建更忠实和动态发展的社会主体的价值。