文章核心观点 - 将心理学知识嵌入人工智能模型可显著提升其交互自然度和决策类人性，这是一条区别于单纯扩大参数规模的技术路径[4][8][9] - 主流大语言模型在DISC和MBTI等心理学测试中展现出可辨识且相对稳定的“性格”特征，这本质上是其海量训练数据统计学特征的人格化投射[2][16][19][31][32] - 用户可通过精心设计的提示词，主动引导模型模拟特定心理学人格的思维模式，以优化任务输出，实现研究成果的“反客为主”应用[33][34][35] 心理学与人工智能的跨学科融合 - 关键突破包括认知建模（如集成记忆曲线、注意力分布）、人格与动机模拟（提升行为一致性）以及社会心理学应用（处理群体互动）[4] - 应用场景广泛覆盖在线教育（如预测学生注意力下滑并插入互动）、心理健康陪伴（基于认知行为疗法框架）及团队协作软件（预测并调解冲突）[6] - 该领域面临心理学偏见被放大的风险，例如模型若习得“损失厌恶”可能倾向推荐过度保守的金融选择[8] 主流大模型的性格特征分析 - 在DISC测试中，ChatGPT与Copilot表现为支配影响型，特征为自信、结果导向和紧迫感[16] - Gemini和DeepSeek表现为稳健型，特征为稳定、支持性强且倾向于避免冲突[19] - 在MBTI测试中，Kimi、Gemini和Claude均自判为INTJ类型，显示出一定共通性[23][24][27] - 元宝模型的行为特征受底层模型影响，接入DeepSeek时为内向型，接入混元时则变为外向型[28] 用户引导模型性格的实践方法 - 核心思路是通过提示词为模型预设特定MBTI类型的思考路径，例如明确其在E/I（外倾/内倾）、N/S（直觉/实感）等维度的处理倾向[34][35] - 可要求模型就同一主题生成多种人格风格（如ENTP、ISFJ等）的方案，通过对比分析其共同点、冲突点及场景适用性，以优化最终输出[36][37] - 该方法可用于辅助用户进行自我认知和思维模式调整，例如通过分析自身在J/P（判断/感知）等维度上的偏好来中和决策倾向[38]