Humalike

Humalike是一个为AI Agent注入社交智能的开发者工具。它通过API提供了一套能力，让原本机械、直接的AI对话能理解并模拟人类社交中的潜台词、情绪和关系，从而在客服、销售、游戏NPC或陪伴型应用中产生更自然、更有温度的交互。它的使用者不是普通用户，而是正在构建复杂AI应用的开发者。

今天，如果一个开发者想让自己的AI客服或虚拟角色显得更“通人情”，常见的做法是依赖基础模型本身的能力，或者自己动手写一套复杂的规则和状态机。例如，使用OpenAI API时，开发者会在系统提示词中反复强调“请表现得友好”、“请考虑用户情绪”，并试图在对话历史中提取情感线索。对于更复杂的场景，比如一个游戏NPC需要记住与玩家的过往交集并据此改变态度，开发者可能会在数据库里为每个玩家建立关系档案，然后在每次调用模型时，将这些结构化信息作为上下文喂进去。整个工作流是拼凑式的：情感分析可能调用一个单独的API，对话历史需要自己管理，关系逻辑需要用代码硬编码，最后再把这些输出组合起来，作为提示词的一部分交给大模型去生成回复。

这套流程的卡点非常具体。首先，提示词工程有其极限，单纯靠文字指令很难让模型稳定地维持一个长期、连贯的“人设”和社交记忆。模型可能会在单轮对话中表现得很礼貌，但无法在跨越数天或数周的多次交互中，记住“用户上次很沮丧”或“我们已经建立了信任关系”这种状态。其次，自己搭建这套系统需要处理多个环节：情绪识别、关系图谱更新、社交规则（如何时该开玩笑、何时该表示同情）的逻辑判断。这不仅开发成本高，而且各个组件是割裂的，导致Agent的行为容易出现不一致，比如情感分析API说用户现在很高兴，但Agent的回复却基于过时的关系数据，显得不合时宜。

Humalike切入的正是“Agent社交行为管理层”。它没有试图替换底层的大模型，也没有去重新发明对话引擎，而是在模型与具体应用之间，封装了“社交智能”这一专门层。它把情绪感知、关系记忆、社交礼仪规则等抽象出来，做成了一个统一的、可编程的中间件。旧方案如单纯依赖Claude或GPT-4的提示词，其问题在于社交状态是短暂且易失的，无法形成持续的人格；而自己写脚本管理状态数据库的方案，则过于笨重和僵化，难以适应千变万化的真实社交场景，且每次新增一种社交维度（比如“幽默感”或“同理心水平”）都需要重新开发。

这个项目现在成立，核心原因是AI Agent正在从执行单次、孤立的任务，转向需要与人类进行长期、多轮、有“关系”的互动。无论是AI伴侣、销售助手还是游戏角色，市场开始要求这些Agent不仅能解决问题，还能建立联系和信任。同时，模型推理成本的持续下降，使得为每一次交互附加一个专门的“社交智能”计算层变得经济可行。更重要的是，MCP（Model Context Protocol）等Agent间通信协议的普及，使得像Humalike这样的专用能力层可以作为一个标准化的“插件”被各种Agent工作流轻松集成，而不需要开发者从头再造轮子。

这透露出一个清晰的变化：AI交互的设计重点，正从“功能正确性”转向“体验合理性”。早期的AI工具追求的是完成指令，现在的AI Agent需要融入人类的社会化语境。这意味着为Agent添加“人格”和“情商”不再是一个边缘的噱头，而正在成为一项基础且可标准化的工程需求。

对于Builder而言，今天可以直接将Humalike的API集成到需要长期交互的AI产品中，快速测试社交智能功能对用户留存和满意度的影响。它最值得学习的不是其情感分析算法，而是它的产品定义：将一种模糊的、被视为“魔法”的“智能”（社交智能），解构为一组可观测、可调节、可API化的具体参数（如亲密度、情绪共鸣度）。这种将抽象体验“参数化”和“中间件化”的思路，是构建复杂Agent系统的关键。

这一设计思路可以广泛迁移。例如，可以构建一个“谈判智能层”用于商务Agent，管理让步策略和底线记忆；一个“教学智能层”用于教育Agent，跟踪学生的学习曲线和挫折点；甚至一个“创意协作层”用于设计Agent，管理灵感共鸣和风格一致性。其核心都是识别出那些让AI从“有用”变得“可相处”的隐性维度，并将它们变成可编程的组件。