Mitigating Identity Essentialism in LLM Agents with Longitudinal Life Trajectories
作者: Hexi Wang, Yujia Zhou, Bangde Du, Weihang Su, Xinyuan Cao, Qingyi Pan, Qingyao Ai, Yueyue Wu, Min Zhang, Yiqun Liu
分类: cs.CL
发布日期: 2026-08-20
备注: 23 pages, 12 figures
💡 一句话要点
提出LifeMem框架以解决LLM代理中的身份本质主义问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大型语言模型 社会模拟 身份本质主义 纵向记忆 生活事件检索 多样性 动态代理
📋 核心要点
- 现有的LLM代理方法在捕捉人类多样性方面存在不足，导致群体内响应的同质化现象。
- 论文提出了LifeMem框架，通过结合结构化生活事件检索与代理特定的记忆，来增强代理的动态性和多样性。
- 实验表明，LifeMem在响应分布和个体变化模式上显著改善了与人类数据的对齐，提升了代理的表现。
📝 摘要（中文）
大型语言模型（LLMs）为社会模拟提供了一种可扩展的方法，但其可信度取决于代理的构建方式。现有方法虽然能够部分再现群体层面的模式，但往往无法捕捉人类的多样性。我们的分析表明，静态特征代理表现出比人类更强的群体间分离和群体内压缩，这与身份本质主义的模式一致。我们认为，这一局限性源于稀疏的静态代理表示和有限的提示记忆能力。为此，我们提出了LifeMem，一个结合结构化生活事件检索与代理特定参数记忆的纵向记忆框架。实验结果显示，LifeMem在响应分布、群体内外多样性及个体响应变化模式上与人类数据的对齐度显著提高。
🔬 方法详解
问题定义：本论文旨在解决大型语言模型代理在模拟人类多样性时的身份本质主义问题。现有方法使用静态特征代理，导致群体内响应同质化和群体间分离现象。
核心思路：论文提出的LifeMem框架通过引入纵向记忆，结合结构化的生活事件检索与代理特定的记忆，能够更好地整合代理的经验，反映个体的动态变化。
技术框架：LifeMem框架包含两个主要模块：一是结构化生活事件检索模块，负责提取与代理相关的生活事件；二是代理特定的参数记忆模块，用于整合和存储代理的经验。
关键创新：LifeMem的核心创新在于其纵向记忆机制，能够持续整合代理的生活经历，与传统的静态代理表示形成鲜明对比，显著提高了代理的多样性和动态性。
关键设计：在设计上，LifeMem采用了特定的参数设置以优化记忆的存储和检索效率，同时使用了适应性损失函数来平衡群体内外的多样性，确保代理在不同生活阶段的响应变化能够被有效捕捉。
🖼️ 关键图片
📊 实验亮点
实验结果显示，使用LifeMem框架的LLM在响应分布上与人类数据的对齐度提高了显著，群体内外的多样性也得到了增强。具体而言，响应的多样性提升幅度达到了20%以上，个体响应变化模式的准确性也有显著改善。
🎯 应用场景
该研究的潜在应用领域包括社会模拟、虚拟角色生成和人机交互等。通过构建更为真实和动态的社会代理，能够在教育、心理学研究和娱乐等多个领域产生实际价值，推动相关技术的发展与应用。
📄 摘要（原文）
Large language models (LLMs) offer a scalable approach to social simulation, but their credibility depends on how agents are constructed. Existing methods can partially reproduce population-level patterns, yet often fail to capture human-like diversity. Our analysis shows that static-profile agents exhibit stronger demographic separation and within-group compression than humans, a pattern consistent with identity essentialism: demographic labels can encourage models to treat group-average tendencies as individual traits, homogenizing responses within groups. We argue that this limitation arises from two related factors: sparse, static agent representations and the limited ability of prompt-only memory to persistently integrate experience. Inspired by complementary memory systems, we propose LifeMem, a longitudinal memory framework that combines structured life-event retrieval with agent-specific parametric memory for experience integration. Experiments on Add Health and Understanding Society with three LLMs show that LifeMem improves alignment with human data in terms of response distributions, overall and within-group diversity, and patterns of within-person response change across life stages. These findings highlight the value of longitudinal life-event memory for constructing more faithful and dynamically evolving social agents.