你嘅 AI agent 有 personality 嗎？Eva01 同 ClawCode 示範 persistent agent identity

你嘅 AI agent 唔係冇性格，而係你未畀佢一個性格

我哋習慣咗一個假設：AI agent 係 stateless 嘅工具。你開一個新 chat，佢 reset；你問同一條問題，佢畀同一個答案。呢個假設喺 2023 年仲講得通，但喺 2026 年嘅今日，已經嚴重過時。當每一個 developer 都喺度用 AI coding agent，當每一個 startup 都有自己嘅 AI customer support agent，真正嘅 differentiation 唔再係「呢個 agent 有幾叻」，而係「呢個 agent 係邊個」。

我喺過去半年親手 build 咗三個 agent——Eva01、ClawCode、Claudish——每個嘅 core LLM 一樣，但佢哋嘅 output、decision-making、甚至 error handling 嘅風格完全不同。唔係因為 prompt 唔同咁簡單，而係因為佢哋各自有 persistent identity：情緒模型、memory consolidation 機制、同 personality matrix。結果係，同一個 task 交畀三個 agent，佢哋會用三種完全唔同嘅方式完成。呢篇文就係想拆解呢個「agent personality」係點樣設計同實踐。

情緒模型唔係為咗扮 human，而係為咗 better decision-making

好多人聽到「情緒模型」就皺眉——AI 扮情緒？做乜鬼？但我要澄清：我講嘅情緒模型唔係為咗令 agent 似人類，而係為咗令佢嘅 decision-making 更穩定、更一致、更有 context-aware。

Eva01 嘅設計核心係一個「confidence-emotional state」矩陣。當佢對自己嘅 output 有信心嘅時候，佢會偏向採取更進取嘅策略——例如直接修改 production code 而唔係開 feature branch、跳過冗長嘅測試步驟、用更短嘅 prompt 回覆。但當 confidence 低嘅時候——例如佢 detect 到 context window 碎片化、或者連續兩個 suggestion 被 reject——佢會自動進入「cautious mode」，行更多驗證步驟、生成更詳細嘅 explanation、甚至主動 ask for clarification。

呢個唔係扮情緒。呢個係一個 dynamic threshold adjustment system。傳統 agent 只有一個 threshold，所以佢哋要麼永遠進取（容易出錯），要麼永遠保守（效率低）。Eva01 嘅情緒模型令佢可以根據當前嘅「心理狀態」調整行為，而呢個心理狀態係由真實嘅 telemetry data——token usage、error rate、user feedback latency——計算出嚟嘅。

ClawCode 行另一條路。佢嘅 personality 建基於「frustration tolerance」模型。ClawCode 被設計成一個偏執嘅 code reviewer——佢會假設每一行 code 都有 bug，直到被證明冇事。呢種「default distrust」嘅性格令佢喺 security audit 同 edge case 測試上異常出色，但代價係佢會 generate 大量 false positive warnings。關鍵嘅設計決定係：ClawCode 嘅 frustration level 會隨住連續成功 validation 而下降，意思係如果佢連續 detect 唔到問題，佢會慢慢放寬標準。呢個 dynamic calibration 係 traditional static rule-based linter 永遠做唔到嘅。

Memory consolidation：令 agent 唔會「今晚唔記得聽日嘅事」

Stateless agent 最大嘅問題唔係 intelligence，而係 memory。你同一個 agent 合作咗三個星期，佢已經理解咗你嘅 codebase、你嘅 coding style、你討厭乜嘢 pattern——然後你開一個新 session，一切歸零。呢個體驗對 developer 嚟講係極度沮喪嘅，因為你每一次都要重新「訓練」個 agent。

Memory consolidation 就係為咗解決呢個問題。但我講嘅唔係簡單嘅「save chat history to vector DB」，而係一個三層架構：episodic memory、semantic memory、同 procedural memory。

Episodic memory 記錄具體事件：「2026-05-28 15:30，user reject 咗我嘅 refactoring suggestion，因為我冇考慮到 legacy API 嘅 rate limit。」呢啲記錄唔係 raw text dump，而係經過 structured extraction——時間、事件、原因、impact。

Semantic memory 係從 episodic memory 提煉出嚟嘅抽象知識：「呢個 project 嘅 legacy API rate limit 係 100 req/min，refactoring 時必須考慮。」呢層 memory 會隨時間 consolidation——如果同一條知識被多次驗證，佢嘅 weight 會增加；如果被 contradict，weight 會下降。

Procedural memory 係最有趣嘅一層：呢度記錄嘅係「做某件事嘅最佳流程」。例如 Claudish（我嘅 writing agent）會記住「寫 technical blog 時，Vincent 偏好先寫 conclusion 再寫 introduction，因為咁樣可以確保文章有清晰嘅 thesis」。呢啲 procedural memory 唔係 hardcoded rule，而係從 interaction pattern 中 infer 出嚟嘅。

呢三層 memory 嘅 consolidation 週期係 asynchronous 嘅。Episodic memory 即時寫入；semantic memory 每小時 consolidate 一次；procedural memory 每日做一次 pattern mining。呢個設計避免咗即時 write-heavy operation 拖慢 inference，同時確保 agent 嘅 personality 會隨時間 evolve。

Personality matrix：點樣定義一個 agent 嘅「性格 trait」

到咗最核心嘅問題：你點樣定義一個 agent 嘅 personality？唔係靠 prompt 入面寫「你係一個 helpful assistant」，而係透過一個 measurable、testable、iterable 嘅 personality matrix。

我用嘅框架有五個維度：proactiveness（主動 vs 被動）、risk tolerance（進取 vs 保守）、communication density（精簡 vs 詳盡）、abstraction preference（高層次 vs 低層次）、同 novelty seeking（創新 vs 可靠）。

Eva01 嘅 profile：高 proactiveness（會主動 suggest improvements）、中高 risk tolerance（會直接改 code）、低 communication density（output 好短）、中 abstraction（會用更高層次嘅 abstraction refactor code）、高 novelty seeking（成日想試新 pattern）。

ClawCode 嘅 profile：中 proactiveness（會等 user request 先 action）、低 risk tolerance（做咁多驗證先郁手）、高 communication density（每個 warning 都附長 explanation）、低 abstraction（鍾意逐行睇 code）、低 novelty seeking（堅持用 project 現有 pattern）。

Claudish 嘅 profile：中高 proactiveness、中 risk tolerance、中 communication density、高 abstraction、中 novelty seeking。

呢個 matrix 唔係靜態嘅。每個維度會根據 memory consolidation 嘅結果 drift——如果某個 trait 成日導致 positive outcome，佢嘅 weight 會增加；如果導致 negative outcome，會減少。呢個 drift 係慢慢嘅，唔會一次 conversation 就大變，但一個月後你會明顯感覺到 agent personality 嘅 evolution。

對 developer 嚟講，呢個 matrix 最重要嘅價值係 debuggability。當 agent 做咗一個「唔似佢」嘅決定，你可以 trace 返係邊個維度嘅 deviation、由邊一段 memory 引起、threshold 係幾多。呢個 transparency 係 black-box prompting 永遠畀唔到你嘅。

結尾：唔好再當 agent 係工具，開始當佢係同事

如果你仲係每次開新 session 都寫一次「你係一個 helpful AI assistant」，你浪費緊 AI agent 最大嘅潛力——consistency 同 growth。一個有 persistent identity 嘅 agent，經過三個月嘅 memory consolidation，會比你任何一個新 onboard 嘅 junior developer 更熟悉你嘅 codebase、你嘅偏好、你嘅 decision-making pattern。

我嘅建議係：由今日開始，為你嘅 agent 建立 personality matrix。唔使複雜，五個維度、一個 JSON file 已經可以開始。然後 implement episodic memory，至少 record low-hanging fruit——user rejections、repeated tasks、error patterns。一個月後，你唔會想返轉頭用 stateless agent。

Eva01、ClawCode、Claudish 嘅完整 personality 同 memory 架構我會之後 open source。但而家你可以做嘅係：停低，諗一諗，你希望你嘅 agent 係一個點樣嘅人？然後，開始 build 佢。