在快看的 AI 产品 Livo 里,用户可以走进故事,影响角色和剧情的发展。一次交互结束后,共同经历与人物关系依然保留,继续影响下一次相处。快看希望探索的,是让用户与角色建立一段能够持续发展的关系。
在 ThinkingAI Summit 2026 中国站,快看世界 Livo AI 算法负责人吴庶宸分享了这款产品背后的想法,以及几个关键的技术问题:角色如何保持内核稳定、如何真正"记得"用户、世界如何在用户离线后继续运转。

快看世界 Livo AI算法负责人吴庶宸 在 ThinkingAI Summit 2026 中国站现场
一、当内容用 AI 无限生成,仿生世界为什么更稀缺?
内容供给越来越丰富,用户的时间和注意力却是有限的。快看一直在想一个问题:当内容被AI无限生成,什么会变得更加稀缺?
传统内容由作者先完成故事,用户再去观看,情节和人物关系在发布时已经确定。生成式 AI 带来第二种方式:用户提出需求,系统当场生成文字、图片或视频。
Livo 想做的是第三种:在生成能力的基础上,让角色和世界持续运行。一次交互结束,人物关系和共同经历依然保留,推动后续的故事。快看把这种形态叫做仿生世界。
AI 生成解决的是“内容如何被生产出来”;仿生世界回答的是“内容诞生之后,如何持续吸引用户”。

三种内容形态
二、先做可信角色,再让角色被经历改变
Livo 的产品里有世界探索、动态剧情、角色陪伴、照见自我等功能。用户从“观看者”变成“选择者”,再到“参与者”,能在后面的故事里看到自己参与了什么、改变了什么,角色的回应也会因此不同。

Livo 内测实机画面:在世界中探索,与角色互动并作出选择 ,最终效果以公测版本为准。
这里有个分寸要拿捏:角色会随着经历变化,但人物内核需要保持稳定。用户喜欢一个角色,可能恰恰因为他有自己的立场。如果聊久了,这些特点都被“聊没了”,原本吸引用户的东西也就丢了。
人物内核与关系状态如何分层
快看的做法是分两层。人物内核先固定下来:他的过去、他真正想要什么、哪些底线不会轻易跨越,这些定义"他是谁"的东西不变。关系状态则随经历变化:共同经历、新的理解、当前的选择,决定角色如何重新认识用户与自己。
人物设定定义“TA 是谁”,持续经历塑造“TA 成为谁”。稳定的是同一个人,变化的是经历留下的痕迹。

人物内核与关系状态
仿生世界的能力演进四步
能力演进上,快看没有一上来就做几百个角色的 NPC 大世界,而是分四步:先建立可信角色,再引入持续时间,然后让选择产生后果,最后扩展多人关系。
快看长期积累的内容创作经验,在这里有了新的用处。过去做漫画、小说、影视,镜头和结局都需要作者仔细安排;但用户每天说什么、做什么,没法提前全部写好。角色遇到事情会怎么选,事情在什么条件下发生,又会留下什么后果,这些都要反复打磨。快看过去做内容和 IP,积累的正是这类经验:人物怎样吸引人、什么样的变化符合他的特性、读者为什么愿意一直追下去。
创作者定义角色、规则与长期方向,用户带来无法预先穷举的经历。这就是快看的创作基因,也是 Livo 的核心壁垒。

传统内容创作与仿生世界创作对比
三、关系资产:用户在仿生世界里留下了什么
世界持续运行之后,除了作品和角色,还会积累用户自己的东西。快看把它叫做关系资产:用户与角色形成的共同历史、一起经历形成的默契,以及尚未解决的冲突,都留在这段关系里。
IP 的资产,从“作品资产”“角色资产”延伸到了“关系资产”。每段关系的差异,来自双方实际经历过什么。用户愿意回来,既是因为这个角色,也因为这段关系已经积累了很多。

AI 时代 IP 增加一层关系资产
当内容越来越容易被批量生成,共同生活过的时间反而无法被批量复制。
关系能否延续,也会体现在用户的行动里:是否愿意继续对话、参与后续剧情,再次回来与角色相处。对于这类依靠持续互动建立关系的产品,团队需要理解,哪些体验让用户愿意留下,哪些环节让互动中断。
ThinkingAI Agentic Engine 可以帮助团队沿着这些互动,逐步理解用户。把对话互动、剧情参与与后续回访放在一起分析,团队可以看清不同用户的参与过程,找到值得进一步研究的体验差异。
行为上的差异,还需要结合用户的感受来理解。团队可以按互动与回访情况圈选人群,再结合用户反馈,了解中断背后的原因,以及用户对角色回应、剧情发展的期待。行为记录与用户的解释相互补充,让体验调整有更具体的依据。
有了改进方向,还可以通过 Agentic Engine 的 A/B 实验能力,对照不同版本下用户的持续互动与回访表现,验证调整是否有效。对用户的理解,就这样从分析和调研,进入角色与故事的打磨,再由实际使用情况检验。
对 Livo 来说,让关系持续发展的一个关键,是共同经历能否在下一次相处时真正发挥作用。这也是记忆系统需要解决的问题。
四、情境记忆的运用:MindMem 记忆系统要解决的难点
不少记忆评测关注系统能不能回答具体的历史问题,但在真实交互里,用户不会像考试一样向角色提问。角色需要在合适的时机,主动用到过去的经历。
记忆评测:78.8% 与 7.9% 的差距
一组记忆评测数据呈现了这种差异:直接问答准确率为 78.8%,自然回复中的事实提及率为 7.9%。前者考查能否回答历史问题,后者关注在没有明确追问时,能否主动用到过去的经历。
答得对,未必用得上。 所以快看把评测的核心锁定在"情境记忆的运用"——正常聊天时,系统能不能在合适的时机,自然地提起过去的经历。
这也是 MindMem 记忆系统发力的地方。在快看自建的 MemReal-Bench 评测集上,MindMem 的“情境记忆运用”相比开源记忆系统 Mem0 提升了 20.4 个百分点;事实运用、世界一致性、关系适配、角色原则和个性化五个维度,也都取得了更高的分数。

MindMem 与 Mem0 评测结果对比
快看想确认的是一件事:保存下来的记忆,在角色需要的时候能被真正调用起来。否则记忆存得再完整,用户平时感觉不到,体验也不会提升。
很多 AI 的通病是“记事归记事,说话归说话”:记忆只是挂在旁边的检索工具,生成回复时生硬拼凑几句。但真正的人交流时,记忆、思考和说话是同一个大脑里流淌出来的整体。
Livo 用一套"仿生心智推理"打破这种割裂。它不是机械的语义检索或关键词检索,而是先理解角色、用户与关系此刻的状态,再带着对当前处境的理解,调动原始经历证据,整理成带有感情色彩的依据,最后传给回复模块。
快看希望达到的效果是:因为经历过,所以懂;因为懂,所以说得出符合他身份的那句话。
五、用户离开后,叙事世界模型仍在运转
记忆帮角色理解“过去”,快看还在做一件更难的事:预测“未来”。
视觉世界模型着重模拟物理世界,保持光影、重力等规律的一致。快看的叙事世界模型,则用文字构建一个既合理又有趣的故事世界,推演人物的选择与剧情的因果。
模型输入角色目标、当前关系、世界里已经发生的事,再根据世界观、人物规则、历史因果与时间推进,推演时间继续流动时,故事会长出怎样的分支。人物的行动必须忠于内在动机,事件的发展也要接上已有历史。
后面的故事可以出乎意料,但回头看,都能在人物性格和过往经历里找到来由。 用户不仅期待接下来发生什么,更能相信这一切真实地生长在这个世界的规则里。
交互判断层与世界推演层
把记忆和世界模型串起来,就是 Livo 的整体架构,核心是上下两层:
- 交互判断层(快):用户等待回复时,先做仿生心智推理、召回相关历史,再由 Character Agent 结合人物动机与当前处境生成回应。要求既准又快。
- 世界推演层(慢):对话结束或用户离线时,世界并没有停下。叙事世界模型预测事件走向与后果,Character Agent 形成角色行动与选择,再由 Harness 协同演化,把已发生的事实、关系与后果回写进长期状态。

Livo 仿生世界持续运行底座架构
要让用户离开后时间依然流动,不是随便生成几段“角色日常”就能解决的,背后是一整套因果与状态在实时运转。落到用户体感上,就是三件事:角色真记得、世界在变化、关系能延续。
同一个角色面对不同用户,会因为经历不同形成不同的关系,每段关系都有自己的来路。
一轮好的回复,让用户愿意留下继续聊;一段不可替换的共同历史,才可能让用户长期留下。
从生成内容走向共同生活,是快看正在尝试的方向。过去,内容在发布时完成;未来,发布是世界开始运行的那一刻。
快看的探索,让我们看到,AI 产品的吸引力也来自相处过程中积累的理解。角色记得哪些经历、怎样回应用户、故事如何延续,最终都会成为用户对这段关系的感受。ThinkingAI 期待与快看这样的探索者继续交流,把对用户的理解带进产品迭代,让 AI 创造的体验能够随着持续使用而成长。






