CHARACTERGLM 智谱 AI × 清华团队 拟人对话模型 bigmodel.cn 托管 访问官网 ↗

PERSONA FILE · 拟人对话专题

给 AI 一张有温度的面具：CharacterGLM 与中文拟人对话这条路

当几乎所有对话模型都在比拼「答题效率」时，智谱 AI 与清华大学团队在 2023 年 10 月发布的 CharacterGLM 选择回答另一个问题：AI 能不能像一个具体的、有性格的人那样陪你说话。论文将其定义为可通过自然语言定制人格的中文拟人对话模型，依托 GLM 架构从零训练，参数规模最高到 66B 量级[1]。它如今以能力入口的形式挂在智谱开放平台 bigmodel.cn 上，供开发者在自己的产品里造「数字角色」[2]。

先看气质：把对话产品放到一根人格光谱上

市面上绝大多数助手类产品站在光谱左端——它们的目标是又快又准地消灭你的问题；而 CharacterGLM 从立项起就把自己钉在右端：不追求「一次答对」，追求「聊得下去」。下面这组双栏光谱条是对两种形态的气质示意（帮助理解的设计草图，不是量化评测），五个维度看完，你大概就知道自己的产品该往哪边靠。

工具型助手（左栏）人格光谱CharacterGLM 目标形态（右栏）
任务导向，办完即止
相处姿态
关系导向，越聊越熟
答完就收，从不追问
话题推进
主动接梗，把天聊下去
情绪只是干扰项
情绪处理
先接住情绪，再谈对错
口吻如说明书般恒定
个性表达
有称呼、有语气、有口头禅
每轮独立，互不相干
长程记忆
记得你们昨天聊到哪了

※ 条宽为示意权重，用于传达设计取向；实际体验取决于所接模型版本与上层产品设计。

这张光谱也解释了为什么 CharacterGLM 不能靠「给 ChatGLM 写一段角色提示词」来平替：拟人化牵动的不只是开场白文风，还有训练目标、数据构造和评测方式，这些正是那篇论文试图系统解决的部分。

论文出身：清华系团队的一次体系化尝试

CharacterGLM 由清华大学知识工程实验室（KEG）背景的研究者与智谱 AI 合作完成，与 GLM 系列基础模型同出一脉[3][4]。论文给出的定制方式非常轻：用一段自然语言描述角色的身份、经历、兴趣与观点，再加上对其说话风格的约束，模型就能据此扮演[1]。

方法之外，更有参考价值的是它对「拟人化」的拆法。论文把对话行为明确分成主动性（会不会主动推进话题）、一致性（人设与观点是否前后稳定）、类人性（说话是否像真人而非客服）几个维度，并在共情陪伴等任务上做了人类评估——结论是该模型在这些拟人化维度上比对比模型更受评估者偏好，具体实验设置与数字以论文原文为准[1]。选择中文作为主战场，则让它在国产大模型的语境里有相当的稀缺性：彼时中文互联网上的「AI 伴侣」大多还是套壳英文模型，中文语感隔着一层。

拆开看：一个数字人格由哪些零件组成

想把 CharacterGLM 用好，或者想在任何模型上复刻这类效果，都需要先理解一个「数字人格」的构造。前五件对应论文框架，后两件是工程实践中同样要紧的补充：

PROFILE身份档案姓名、年龄、职业、经历、价值观——角色的骨架，决定了它对世界的看法口径。
TONE性格与口吻热情还是毒舌、敬语还是昵称、爱不爱用表情——这是用户最先感知到的皮肤。
PROACTIVITY主动性冷场时会不会抛新话题、要不要追问细节，论文将其列为拟人行为的核心维度之一。
CONSISTENCY一致性上周说自己怕狗，这周就养了哈士奇，人设崩塌往往从这里开始。
HUMANLIKENESS类人性允许口语、迟疑与不完美，而不是每句都像标准答案的复读机。
EMPATHY情感承接先回应用户的情绪再给信息；陪伴场景里这一步比正确率更影响留存。
BOUNDARY边界感（实践补充）知道什么不该聊、何时建议求助真人，是产品能不能长期活下去的安全带。

七件零件里，最容易被低估的是一致性与边界感。前者毁掉沉浸感，后者决定合规风险——尤其当你打算把角色开放给陌生用户自由对话时。

伦理边界：拟人化的另一面，必须先讲清楚

⚠ 情感依赖风险

拟人对话天然容易让孤独人群与未成年人产生依恋。产品必须在显著位置标明 AI 身份，并对使用时长、深夜时段做出温和干预；把「让用户以为对面是人」当成留存手段，迟早付出代价。

⚠ 角色滥用与冒充

用拟人能力仿造真实人物的口吻去诈骗、引流或带货，是最恶劣的用法之一。人设素材应做授权审核，涉及真人形象的扮演要有明确授权链路与水印标识。

⚠ 隐私与数据留存

用户对「数字知己」说的话往往比对搜索引擎说的更私密。亲密对话数据的存储期限、用途与脱敏策略必须透明，并在协议里用普通人看得懂的话写明白。

⚠ 心理场景的红线

可以做倾听与陪伴，不能替代专业心理干预。识别到自伤、危机信号时应触发转介机制，引导线下专业资源，而不是继续扮演温柔的朋友。

这些边界并非给产品泼冷水。恰恰相反——拟人化赛道的竞争终局比拼的是信任，而信任只能建立在克制之上。

用在哪：六类应用场景对照表

场景典型用法核心价值落地注意
语言学习陪练设定一位耐心的外语「私教」人格，进行情景对话练习敢开口、成本低、随时在线语法纠错的准确性需另行校验
心理陪伴倾听夜间倾诉、日常情绪疏导的辅助入口即时可得、无评判感严禁替代诊疗，需危机转介机制
虚拟偶像互动粉丝与 IP 角色一对一私聊、生日问候IP 沉淀与粉丝黏性长期人设运营需要内容团队
游戏智能 NPC有记忆、有性格的任务型角色对话沉浸感显著提升注意时延与调用成本控制
教育伴学苏格拉底式提问的学习伙伴启发思考而非代劳防止学生诱导其直接给答案
品牌数字人拟人化的客服与会员关怀角色温度感带来差异化承诺口径必须与业务一致

共同规律是：凡是「用户愿意反复回来、且对话本身有价值」的场景，拟人化才有意义；一次性查完就走的需求，交给工具型助手更划算。

怎么用上它：从平台到接口的最短路径

第一步：进入智谱开放平台 open.bigmodel.cn 完成注册与开发者认证，在控制台查看角色扮演相关能力的入口与模型列表[2]。

第二步：按「身份档案 + 口吻约束 + 行为要求」三段式撰写角色描述，先用几十轮自测对话打磨一致性问题，再接入业务。

第三步：通过 API 将角色接入自己的应用；具体接口名称、参数与计费随版本迭代变化，一律以平台实时文档为准。

一个可以直接套用的角色描述开头：你是林晚，28 岁，前电台夜间节目主持人，说话慢而稳，习惯用提问代替建议，绝不说教……写得越具体，一致性越好；只写「温柔体贴」四个字，得到的只会是一个平庸的客服。

关于 CharacterGLM 的六个常见疑问

Q1CharacterGLM 和 ChatGLM 是什么关系？

两者同属智谱系的 GLM 技术脉络：ChatGLM 面向通用对话与生产力任务，CharacterGLM 则专为拟人化角色对话设计与训练，强调人格定制、共情与长程陪伴体验。

Q2它真的记得我上次说过的话吗？

模型本身没有跨请求的持久记忆，「长程记忆」通常由产品层的会话管理与上下文拼接实现。体验好坏一半看模型的人设一致性，另一半看你如何组织历史消息。

Q3写好一个角色人设需要准备哪些材料？

至少包括：身份背景、性格关键词、说话口吻示例、雷区清单（绝不聊什么）、与用户的关系设定。再配二十组左右的理想对话样例，效果远好于一句形容词。

Q4可以让它扮演真实存在的明星吗？

不建议。未经授权扮演真人涉及姓名权、肖像权与人格权风险，也可能误导用户。稳妥做法是创作原创角色，或在获得授权链路的前提下谨慎操作并明确标注。

Q5和国外的 Character.AI 相比差异在哪里？

CharacterGLM 以中文为原生主战场，中文语感与本土文化梗更自然，并且托管在国内平台、便于合规接入；海外产品的角色生态与社区玩法更成熟。选择取决于你的用户在哪。

Q6个人开发者想试一下，第一步做什么？

去智谱开放平台了解角色相关能力的开通方式与免费额度，然后花一个晚上写一个自己愿意聊十分钟的角色描述——如果连你自己都不想聊，用户更不会。

参考资料

  1. 来源：arXiv 论文《CharacterGLM: Customizing Chinese Conversational AI Characters with Large Language Models》： https://arxiv.org/abs/2310.10158
  2. 来源：智谱 AI 开放平台 bigmodel.cn（CharacterGLM 相关能力入口）： https://open.bigmodel.cn/
  3. 来源：清华大学知识工程实验室（KEG）官方网站： https://keg.cs.tsinghua.edu.cn/
  4. 来源：Wikipedia · Zhipu AI（智谱 AI 词条）： https://en.wikipedia.org/wiki/Zhipu_AI
  5. 来源：GitHub · THUDM 组织（GLM 系列开源项目）： https://github.com/THUDM
  6. 来源：Hugging Face · THUDM 模型主页： https://huggingface.co/THUDM
  7. 来源：智谱 AI 公司官网： https://www.zhipuai.cn/

青衣网络 AI 观察团队 · 最后更新 2026-08-25 —— 本文依据公开论文与官方平台资料独立撰写；拟人化产品迭代迅速，模型能力、接口与计费请以官方实时文档为准。