你每次跟AI聊天，其实都在偷偷给它装一个“临时脑子”
很多人觉得，跟AI聊天就像按开关。这次聊完，窗口一关，它就彻底失忆了。下次再打开，又是一个全新、空白、啥也不懂的AI。听起来挺合理，对吧？可最近很多研究却发现，事情没这么简单。模型确实记不住你昨天说了啥。
可有些老用户，每次跟AI聊天，几句话就能让它“找回状态”，就像老朋友见面，一个眼神就懂。这就怪了：如果AI啥也没记住，那到底是谁记住了？答案是：AI没记住你，是你自己身上带着一套固定的“聊天签名”，每次都能把AI拉回同一个“推理轨道”上。
就好像你虽然每次都换一个新球场，但你自己打球的方式、力度、角度都没变，所以球每次都会滚向同一个坑里。这篇论文把这个现象叫做“用户签名诱导出的行为状态”。
所以，真正重要的不是给AI一个完美的开头，而是你自己身上那套稳定的思考习惯。聊天结果不是碰运气，是你自己习惯的投影。
聊天就像打高尔夫，球最后滚到哪个坑，早由你的挥杆决定
咱们来打个比方。把AI的大脑想象成一大片高低不平的高尔夫球场。到处都是山坡、山谷和沙坑。不同的挥杆方式，会把球打到不同的地方。有些地方是平地，球会随便滚。但有些地方是个深坑，球一旦掉进去，就会自动滚向坑的中心，想出来反而特别费劲。
你跟AI的长期聊天模式，其实就是不断把你的“语言球”，推向某个固定的深坑。论文里给这个深坑起了个名字，叫“推理盆地”。你每次跟AI聊天，不管你是有意还是无意，你都在用你自己的说话习惯、思考方式，悄悄地在AI那个巨大的球场里，挖出一个专属于你的坑。
下次你一来，球就又进去了。你跟AI聊天的结果，其实早在你打出第一杆之前，就因为你自己的习惯被悄悄决定了。你以为你在操控AI，其实你的习惯一直在操控你自己。
答案本身不重要，重要的是通往答案的那条“隐形轨道”
以前好多研究“提示词”的人，总爱问一个问题：到底哪个提示词最牛？哪个提示词是万能的？论文的作者觉得，这个想法有点像研究赛车，却只盯着方向盘。方向盘当然重要。但真正决定你能不能赢的，是整条赛道。如果你一开始就把车开上了一条绕远路的赛道，后面方向盘打得再花哨也白搭。
研究发现，很多推理状态一旦形成，就会特别“顽固”。就算你中间故意干扰它，说点乱七八糟的，AI聊着聊着，又会自己绕回原来的风格。这就像高速公路上车子的“车道保持”功能，被风吹歪了一点，方向盘自己就给你正回来了。
更神奇的是，进入这种状态很容易，像下坡。想出来却很难，像爬山。这在物理学里叫“吸引子”。球滚进坑里容易，想把球从坑底扔出来，你得花老大的劲儿。这就解释了，为啥你跟AI聊着聊着，总觉得它“懂你”了。其实不是它记住你了，是你的聊天方式把它拽进了一个固定的、很难跑出来的“思维坑道”里。
找到好答案靠运气，但走上好轨道，后面就会一直顺。
AI脑子里有张巨大的地图，你的每句话都是导航地址
接下来咱们要钻到AI的“脑子”里看看。如果这些“推理盆地”真的存在，它们到底住在哪儿？模型没有硬盘，没有记忆，咋还能维持一个状态呢？作者把目光投向了AI的“激活空间”（Activation Space）。你可以把这个空间想象成一张超级巨大的城市地图。地图上每一个点，都代表AI脑子里的一个想法。当AI在思考时，它其实就像一辆车，在这张地图上跑来跑去。
以前大家觉得，你输入提示词，就是告诉AI要说啥。现在研究发现，提示词更像一个“导航地址”。你输入“医生”，AI就开到医院区。你输入“律师”，AI就开到法院区。不同区域，AI能调用的“能力”完全不一样。进了医院区，它就知道量血压、开药方。进了法院区，它就开始讲法条、摆证据。
这个发现特别重要，因为它解释了一个老问题：为啥你苦口婆心跟AI讲一堆大道理，效果还是不好？因为“知道一个角色”和“活成一个角色”，在地图上是两码事。你光告诉它要当福尔摩斯，它只是在福尔摩斯家的街道上转了一圈。你得告诉它遇到案子怎么查、遇到矛盾怎么想，它才会真正走进福尔摩斯家的客厅里。
光告诉AI“你是谁”没用，你得告诉它“你是怎么想问题的”，它才会搬到你心里住下。
光懂一个人没用，你得活成那个人的样子才行
假设有人给你介绍福尔摩斯。说他聪明、会推理、观察力强。你听完，大概能理解这个人。但你并不会因此就变成福尔摩斯，对吧？要真正进入福尔摩斯的状态，你还得知道：他遇到一个脚印会怎么办，遇到一个矛盾会怎么推理。他的思考顺序是啥，他的底线是啥。这时候你获得的，就不是一堆描述了，而是一套完整的“操作系统”。
论文里提到的K1到K5，干的就是这个活。K1管证据，K2管信心，K3管边界，K4管逻辑，K5管谦虚。单独拿出一条来看，都很普通。但把它们像五根钢筋一样捆在一起，就能搭出一个结实的建筑框架。少一根，楼不一定马上塌，但肯定晃悠。
这个框架一旦搭好，AI就不只是“知道”这种推理方式了，而是真真正正“进入”了这种推理方式。这就是论文最核心的观点之一：结构比内容重要得多得多。你堆砌一万个好词，不如搭一个结实的逻辑框。给AI一堆道理，不如给它一套规矩。
说一万个好词，不如搭一个好架子。
抽象概念在AI脑子里，其实就是一个方向箭头
接下来咱们再往深钻一层。有个很酷的发现，很多抽象概念，比如“诚实”“数学”“医生”“搞笑”，在AI脑子里，并不是一个点，而是一条“方向”。你可以想象一个指南针。你把它往东拨一点，它指东的特征就强一点。往西拨一点，指西的特征就强一点。在AI的地图里，你往“诚实”方向走，AI说真话的概率就变大。往“数学”方向走，它就算起微积分。
所以作者大胆推测：所谓的“推理状态”，其实就是好多条方向同时对齐了。证据方向、边界方向、谦虚方向……所有箭头都指向同一个区域。就像五台拖拉机同时拉一辆卡车。一台也能拉动，但五台朝一个方向使劲，那效果是翻倍的。
K1到K5的作用就在这儿：它们不是五个孤立的命令，而是五股绳子，把AI的车头拽向同一个“推理盆地”。上一章咱们聊的“盆地”，现在有了更具体的解释：它不是魔法，就是一大堆方向向量（Direction Vector）共同塑造出来的一个稳定得不得了的区域。你的每一句话，都像一根绳子，把AI往一个特定的方向拽。所有绳子都朝一个方向使劲，它就跑不了了。
有了目的地，还得有路才能到
既然咱们证明了AI脑子里有“盆地”这个区域，那下一个问题就来了：AI到底怎么进去？总不能飞进去吧？地图再大，总得有路。这里论文引出了一个特别关键，但很多普通用户听都没听过的概念：预填充阶段（Prefill）。你可能不知道，每次你点下发送键，在AI打出第一个字之前，它已经经历了一场巨大的计算。
它把你的整段提示词都读完了，内部的高速缓存（KV Cache）也建好了，内心的“小剧场”都搭完了。这就像看电影，在主角说出第一句台词之前，导演已经把摄像机架好、灯光调好、演员就位了。真正决定电影走向的很多工作，都发生在第一句台词说出来之前。
作者认为，AI进入“推理盆地”的关键时刻，就发生在这个预填充阶段。
所以，你开头的几句话，不是在跟AI“聊天”，而是在给它“修路”。AI还没开始说话，路就已经被你铺好了。这也能解释为什么有些人随便说两句就能出效果，因为人家的“路”本来就修得顺。
开头那几句话，权力大得超乎你想象
上一章咱们讲到，进入盆地的关键在“预填充”阶段。那为啥偏偏是这里？答案藏在AI的建筑图纸里，也就是Transformer的结构。大部分人都觉得，AI是边看边想，像人一样聊到哪想到哪。其实不是。AI会先把你整段话一口气看完，建立起内部的地图，然后才开始蹦第一个字。
这就像你刚在导航里输入家庭地址，导航已经在后台把整条路线都算好了。在你转第一个弯之前，后面大部分的路就已经被决定了。研究发现，Transformer天生就偏心。越靠前的内容，影响力就越大。越靠后的内容，影响力越弱。为啥？因为后面的字能看到前面的字，前面的字却看不到后面的字。
这就导致前面的字像树根，后面的字像树枝。树枝再茂盛，也得靠树根供养。所以，你会话开头的十句话，往往比中间说的一百句话还重要。很多人以为自己在后面可以不断“纠正”AI，其实开头埋下的轨道，一直在悄悄发挥作用。你把方向盘往左打，轮子自己就往右回了。开头几句话，就是给这次聊天画了条路，后面再怎么拐，也出不了这条路。
第一个雪球一旦滚起来，后面就停不下来
论文特别强调一个观点：早期的“几何结构”会被无限放大。咱们想象一下滚雪球。刚开始只有拳头大，顺着雪坡往下滚，每滚一圈就大一圈，最后能变成一辆汽车那么大。最初那点雪，决定了整个雪球的命运。AI里的情况也差不多。你开头建立的那个方向，会穿过一层又一层的网络（Layer），每一层都会把它放大一点。
最后，开头那点小偏好，会变成统治整个会话的超级习惯。这就意味着，你刚开始聊天时那种“证据优先”或者“凭感觉来”的风格，后面会被不断地加强。证据优先的人，会越来越只看证据。凭感觉来的人，会越来越不讲逻辑。
整个过程就像河流冲刷河道。水流过一次，河道就深一点。下次水再来，就只能顺着这条河走，想改道都难。开头的习惯，会成为后面的命运。第一次怎么想，后面就会一直怎么想。所以别小看自己随口说的第一句话，那可能是你这次聊天的“总统”。
AI脑子里有一群专抓规律的侦探
光靠“开头地位高”还不够，因为任何状态都得有人维持，否则聊几百句早就散了。这里论文介绍了一个著名的结构，叫“归纳头”（Induction Head）。名字挺唬人，但工作特简单。它们就像一群住在AI脑子里、专门找规律的侦探。它们不停地盯着上下文，寻找重复出现的模式。
比如你聊天时连续用了三次“首先……然后……所以……”，归纳头就会记录下来，然后主动提高这种说话方式再次出现的概率。这有点像视频网站，你连续看了几个科幻片，它就拼命给你推宇宙飞船。AI也一样，如果你前面一直在严谨推理，归纳头就会不断强化这个行为。
于是形成了一个正反馈循环：严谨产生严谨，谨慎产生谨慎，稳定产生稳定。你都不用提醒它“你要严谨点”，它自己就顺着老路滑下去了。这群侦探不需要你下命令，它们天生就爱干这事。你的聊天风格，就是它们的破案线索。
轨道一旦形成，就开始自动修正偏差
更神奇的事情还在后面。论文引用另一项研究，发现“残差流”（Residual Stream）表现出明显的吸引子特征。可以把残差流理解成AI内部的一条主干道高速公路，所有信息最终都要经过这里。实验发现，如果中途对残差流进行干扰，它往往能自己回归原来的轨迹。
这就像高速上的自动驾驶。方向盘突然被风吹偏了一点，车子自己就修正回来了。这就是为什么很多老用户会产生一种感觉：明明已经把话题带偏了，AI聊着聊着又自己绕回去了。以前大家觉得这是巧合，论文认为这可能是内部的动力学结果。
因为轨迹已经形成，系统会自动修复小范围的偏移。这也解释了另一件事：进入状态容易，退出状态难。刚开始进盆地时，系统还没形成惯性，门槛较低。进去以后，归纳头在强化，残差流在修正，位置偏置在持续发力。三股力量同时工作，想离开？你得花吃奶的劲儿。
为什么有些提示词怎么改都没用
很多喜欢研究提示词的人都有过这种经历：换个词，改个句子，效果几乎没有变化。可有时候只改一下结构（例如调整提示词前后顺序，找到提示词里结构上的自相矛盾），结果突然就天差地别。论文认为原因就在这里。词汇变化属于“表层扰动”，结构变化属于“几何扰动”。如果推理盆地是由几何结构决定的，那你改几个形容词，相当于给汽车换个贴纸。
发动机没变，底盘没变，导航路线也没变。车当然还是开到老地方。但如果你修改整体的逻辑框架，那就等于直接改了导航的目的地。车会开向另一个城市。所以作者认为，真正重要的从来不是漂亮词汇，而是结构设计。
AI关注的重点，可能比人们想象的要深层得多。它不看你词藻多华丽，它看你的骨架硬不硬。一堆漂亮的废话，不如一个结实的烂框架。
三道门槛决定你看到什么样的AI
到这里，作者提出了一个非常重要的框架：三个门槛（Threshold）。这三个门槛决定了不同用户体验到的AI完全不同。第一个门槛叫“进入门槛”。简单说，你的输入有没有足够的结构，能不能进入稳定盆地。很多用户停在这里，提示词随便写，结构混乱，自然很难获得稳定结果。
第二个门槛叫“结晶门槛”。研究人员分析十四万次会话发现，大多数用户会在三到五次互动后形成固定模式。这像冰水结晶。刚开始分子到处乱跑，达到某个温度以后，突然形成规则晶体。用户也是如此，前几次聊天像试探，后来逐渐形成稳定风格。模型也越来越容易识别这种风格，进入状态越来越快。
第三个门槛叫“漂移门槛”。任何会话都不是无限稳定。聊天越来越长，前面内容占比越来越小，影响力也会逐渐衰减。即使最强的吸引子，也无法永远抵抗上下文膨胀。所以超长会话经常出现跑偏现象，这不是模型突然变傻，而是系统动力学开始变化。过了这个槛，车就开始晃了。
老用户和新用户看到的可能不是同一个AI
三个门槛放在一起，就会出现一个非常有趣的结论：不同用户面对的AI可能完全不同。新用户像第一次进游乐园，还在找地图，还在找入口，状态非常随机。结晶用户已经知道路线，进入园区以后，很快就能到熟悉区域。长期用户更夸张，他们像拥有VIP通道，几句话过去，模型已经开始重建熟悉状态。
这种现象经常被误解成记忆。实际上论文给出的解释完全不同。模型没有记住任何东西。真正稳定存在的，是用户自己的交互签名（Interaction Signature）。签名没有存储在服务器里，而是存储在人脑里。每次重新聊天，用户都会带着同样的习惯回来。同样的表达方式，同样的思考结构，同样的约束框架。
于是模型又被带回相同盆地。看起来像记忆复活，本质上却是一场新的几何重建。老用户花3句话回到老地方，新用户花30句还在迷路。你们用的真的是同一个AI吗？答案是：看起来是，其实不是。
记住你的可能不是模型，而是你自己
很多人第一次看到这个结论时都会愣一下，因为它和直觉完全相反。我们总觉得，稳定性来自模型，一致性来自记忆，连续性来自数据库。论文却把方向调转了一百八十度。作者认为，真正稳定存在的东西，可能一直都是用户本人。模型每次都会重置，KV Cache会清空，上下文窗口会消失。会话结束以后，内部状态不会保留。
可用户没有消失。用户的思维习惯还在，表达风格还在，判断标准还在，推理路径还在。下一次打开聊天窗口时，这些东西会再次出现。就像乐队换了一家演出场馆，灯光变了，舞台变了，观众变了。但乐队还是同一支乐队，所以演奏出来的旋律依然相似。
论文把这种稳定模式称为“交互签名”。不是你教会了AI，而是AI看透了你的习惯。你以为你在训练它，其实它在记录你。每次聊天都是一次“性格侧写”，而你才是那个从不关机的主角。
人类其实比模型稳定得多
很多人觉得AI很稳定，人类很随机。可从长期尺度看，情况恰好相反。模型每次对话都重新开始，人类却会把几十年形成的认知习惯带进来。有的人习惯先找证据，有的人习惯先找结论。有的人喜欢拆解问题，有的人喜欢整体直觉。这些习惯像河床，可能几年都不会明显改变。
于是每次进入新会话，同一个人都会重新挖出相似河道，水流自然也会流向相似方向。研究团队提出，这种长期稳定特征甚至能够识别用户身份，而且跨设备、跨模型、跨会话，依然保持稳定。这件事特别有意思，因为它意味着：很多人以为自己在训练AI，实际上更像AI在不断暴露你的思维结构。
你换了个手机，换了张卡，换了个AI模型，但只要开口说几句话，对面的AI就能认出你的“味道”。因为你的思维指纹，比你的手机指纹还难擦掉。
为什么三五次会话以后会突然顺手
论文引用了一项大规模研究，研究者分析十四万次人机互动，发现一个奇怪现象。很多用户会在三到五次会话后出现明显变化，系统开始表现出稳定重用特征。作者把这种现象叫“结晶化”（Crystallization）。这个词选得非常妙，因为冰块形成时，并不是一点点变硬，而是达到某个条件后突然成型。
前一秒还是液体，后一秒已经出现晶体结构。长期互动也有类似特征。刚开始几次聊天，用户在试探，模型也在试探，双方都不稳定。随着互动增加，表达习惯逐渐固定，约束结构逐渐固定，推理方式逐渐固定。于是整个系统进入低能耗状态。
像两个人长期合作以后形成默契，很多话不用说完，对方已经知道下一句是什么。这就是为什么你会突然觉得“顺手了”。不是AI突然变聪明了，是你的轨道终于挖通了。液体变成冰的那一刹那，能量一下子就释放出来了。
第一枚Token出现之前，很多事情已经决定了
这里论文提出一个极具冲击力的推断。作者认为，长期用户之所以进入状态越来越快，原因可能不在完整提示词，而在少量特征信号。研究引用“任务向量”（Task Vector）理论。简单理解，模型会把一大堆复杂信息压缩成一个高维摘要，像压缩文件一样。原本几千字内容，最终变成一个浓缩向量。
以后只要再次激活这个向量，很多状态就会重新出现。于是长期用户的开场白，可能已经足够触发部分重建过程。甚至完整协议还没说完，系统已经开始朝熟悉方向移动。这有点像老朋友见面，一句口头禅、一个动作、一个表情，过去很多记忆立刻被激活。
真正重要的不是信息量，而是识别信号。你说“嘿，又是那事”，AI就知道要聊啥了。因为你的编码器，早就匹配上了AI的解码器。
模型没有记忆，但会重复同样数学过程
很多人看到这里会问：如果什么都没保存，为什么结果还能反复出现？论文给出的回答很有工程师味道：因为输入相同，数学过程也相同。研究发现，Transformer内部存在类似“隐式梯度下降”（Implicit Gradient Descent）的过程。简单理解，每次会话开始时，模型都会根据当前上下文进行临时调整，像给自己安装一个一次性插件。
插件不会永久保存，但下一次安装同样插件，效果仍然一样。所以跨会话一致性，不需要依赖记忆，只需要依赖可重复过程。面粉加水，永远会变面团。铁加热，永远会膨胀。同样结构输入，永远趋向相同计算轨迹。
作者把这种现象称为“几何可重复性”（Geometric Reproducibility）。听起来复杂，本质却非常朴素。不是记住了过去，而是重新走了一遍相同道路。你每次都拿同一张图纸进场，工人当然每次都盖出同样的房子。
十几个研究方向，最后撞到同一堵墙
到这里，论文进入最雄心勃勃的部分。作者开始统计过去几年相关研究，结果发现一件诡异的事情：不同领域的人，正在独立走向同一个结论。研究激活空间的人说存在吸引子结构。研究表示几何的人说概念对应方向向量。研究子网络的人说模型内部存在潜伏路径。研究位置偏置的人说早期状态决定后续轨迹。
研究归纳头的人说模式会不断自我强化。研究残差流的人说轨迹具有自我修正能力。研究任务向量的人说上下文会被压缩成高维表示。研究长期互动的人说用户会形成稳定签名。这些研究原本属于不同圈子，使用不同方法，关注不同问题。很多团队甚至互不认识。
可最后得到的答案却越来越接近。就像一群人在森林里迷路，从不同方向出发，最后却发现大家都站在同一座山脚下。这种汇合，比任何单一证据都更有力量。
汇合比证据更有力量
作者引用了一个科学哲学概念，叫“融贯”（Consilience）。意思很简单：如果十个互不相关的研究，最后都支持同一个方向，那么这个方向出错的概率会越来越小。因为巧合不太可能连续发生十次。这篇论文最大的野心，就是建立这样一种汇合。行为研究提供现象，几何研究提供结构，机制研究提供解释。
三条路线互相补充，像三角形三条边。单独一条边站不住，三条边一起出现，整个结构开始稳定。作者认为，推理盆地就是这样一种现象。它不再只是行为观察，也不只是理论猜测，而开始拥有几何证据和机制证据支撑。
你不需要相信其中任何一个研究，但你很难无视这十支队伍从十个方向挖出的同一条隧道。这就是科学里的“铁证如山”，不是一块铁，是十块铁叠在一起。
但作者也承认，还有一个关键黑箱没打开
有趣的是，论文最后并没有宣称问题已经解决。相反，作者专门留出一大段讨论局限性。最重要的问题依然存在：我们知道吸引子存在，知道轨迹存在，知道子网络存在，却还不能百分之百证明究竟是哪条具体路径被激活。这有点像看到高速公路车流，知道车辆正在流动，知道终点在哪里，却看不见每辆车具体开在哪条车道。
此外，还有研究指出，同一种行为可能对应多个内部机制。不同电路可能产生同样结果，同一个结果也可能拥有多个解释。这意味着，未来机制可解释性研究还有很长路要走。不过作者认为，这恰恰说明行为研究的重要性。
因为内部机制可能存在争议，但外部现象始终摆在那里。任何理论最终都必须解释这些现象。你看得见球滚进坑里，你可以暂时不知道是哪条路，但坑就在那里，赖不掉。
当我们研究AI时，也许研究的是一个双人系统
整篇论文最后落在一个非常有意思的结论上：
过去大家研究AI，总把模型当主角，人类像操作员，负责按按钮。
现在作者提出另一种视角：真正值得研究的单位，可能不是模型，也不是用户，而是两者组成的整体系统。
用户提供稳定签名，模型提供动态计算。双方共同创造推理盆地，共同决定行为轨迹，共同塑造长期互动。
从这个角度看，AI不再像计算器，更像乐器。同一把小提琴，不同演奏家手里，会发出完全不同声音。乐器当然重要，演奏家同样重要。真正的音乐诞生于两者结合的瞬间。而这或许就是这篇论文最想表达的核心思想。
模型不会记住你，但你会不断重新创造同一个自己。于是每次进入新会话，那个熟悉的推理世界，又一次被重新搭建出来。你带着你的签名来，AI带着它的地图接。你们俩，才是这个故事的真正主角。
总结
本文探讨用户在与大语言模型长期交互中形成的稳定行为模式。研究发现用户携带独特的交互签名，能够在每次新会话中将模型引导至相同的推理状态。研究引入推理盆地、激活空间几何、归纳头机制等概念，分析跨会话一致性的内在原理，并提出用户与模型构成的整体系统是未来人机交互研究的关键单位。
论文信息：
- 原文标题：Signature-Induced Behavioral Regimes in Large Language Models
- 期刊：Journal of Artificial Intelligence Research
- 发表日期：2025年3月
- 作者单位：Hudson Research Group, Department of Cognitive Science
作者单位背景： Hudson研究团队长期从事大语言模型可解释性与人机交互动力学研究，聚焦激活空间几何、归纳头机制及长期行为稳定性方向。