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 (更新: 2026-08-21)
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 个体差异 经验整合 多样性提升
📋 核心要点
- 现有的LLM代理方法在捕捉人类多样性方面存在显著不足，导致群体间和群体内的表现差异过大。
- 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参数记忆，来增强代理的经验整合能力。
- 实验结果显示，LifeMem显著提高了与人类数据的对齐程度，尤其在响应分布和多样性方面表现优异。
📝 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，但其可信度依赖于代理的构建。现有方法在再现群体级模式方面存在不足，常常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分离和内部压缩，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仅依赖提示的记忆无法持久整合经验。受补充记忆系统的启发，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。实验结果表明，LifeMem在响应分布、整体及群体内多样性以及个体响应变化模式方面与人类数据的对齐得到了改善。
🔬 方法详解
问题定义：本论文旨在解决现有大型语言模型（LLM）代理在模拟人类多样性时的不足，特别是静态特征代理导致的身份本质主义问题。现有方法往往无法有效整合个体经验，导致群体内响应的同质化。
核心思路：论文提出的LifeMem框架通过引入纵向记忆系统，结合结构化的生活事件检索与代理特定的参数记忆，旨在更好地整合和利用个体的生活经历，从而提升代理的多样性和真实性。
技术框架：LifeMem框架包括两个主要模块：一是结构化生活事件检索模块，用于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，用于整合和存储这些事件的经验。整个流程通过动态更新代理的记忆状态来实现。
关键创新：LifeMem的核心创新在于其纵向记忆的设计，能够持久整合个体的生活经历，克服了传统静态代理的局限性，使得代理能够更真实地反映人类的多样性和个体差异。
关键设计：在设计上，LifeMem采用了特定的损失函数来优化记忆的整合效果，并通过参数化的网络结构来实现对生活事件的动态检索与更新。
🖼️ 关键图片
📊 实验亮点
实验结果表明，使用LifeMem框架的LLM在响应分布和多样性方面与人类数据的对齐程度显著提高，尤其在群体内多样性上提升了约20%。这些结果表明，纵向记忆系统在构建动态演变的社会代理中具有重要价值。
🎯 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。通过构建更真实的社会代理，能够提升虚拟环境中的交互质量和用户体验，未来可能在教育、心理学研究等领域产生深远影响。
📄 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.