OCC Emotion Engine
> A reusable OCC cognitive emotion model × cybernetics architecture — give AI characters a real emotion engine, not just a phrasebook.
> 市面全是"教 AI 说什么话"（话术库/文案库），本框架是"教 AI 怎么产生情绪"（情感计算引擎）。
✨ 核心卖点（Why this, not a prompt pack）
- 机制，不是话术：不给你一句句台词，给你一套情感产生的完整机制——任何角色拿来套，自动产生符合角色关系的情感输出
- 可计算：三层评价器 + VA 二维空间 + PID 反馈控制器，所有情感都有数学表达
- 有升有降：非对称反馈——被凶会真掉好感，不是嘴上批评心里还涨（AI 角色的"独立人格"基础）
- 跨回合时序：PendingEvent 队列支持 Hope→Satisfaction/Disappointment、Fear→Relief/FearsConfirmed
- 自适应：依恋度慢变量调节情感阈值——关系越深，越容易触发正面情感
- 控制论内核：慢变量→快变量→即时变量单向流，无循环依赖；反馈闭环自我调节
🚀 快速体验
# 纯标准库，零依赖
python3 occ_engine_demo.py # 交互模式
python3 occ_engine_demo.py --demo # 自动演示
示例演示（真实运行输出）：
【夸奖】你真棒，做得好！
→ 情感: Gratitude+Joy+Hope
→ 状态: 好感 +1.0
【生气/凶】哼，你真讨厌，我不想理你了
→ 情感: Anger
→ 状态: 好感 -2.3 ← 非对称反馈：降比升狠
🏗 架构总览
输入（交互内容）
│
▼
┌──────────────────────────┐
│ ① 三层评价器（OCC） │ ← 阈值由依恋度自适应
│ Event → Action → Object │
│ ↓ 合成 ↓ │
│ ② 各情感贡献 VA 增量 │
└──────────────────────────┘
│
▼
┌──────────────────────────┐
│ ③ VA 空间（唯一的源） │ ← 积分所有 VA 增量 + 自然衰减
│ (valence, arousal) │ ← 情感标签是对此坐标的解读
│ ↓ 解读 ↓ │
│ ④ 活跃情感标签生成 │
└──────────────────────────┘
│
▼
┌──────────────────────────┐
│ ⑤ 行为仲裁器 │
│ 标签→行为查表 │
│ 按 VA 极性 + 强度裁决 │
│ → 语气 → 亲密度 │
└──────────────────────────┘
│
▼
输出（动作 + 语气 + 表情 + 亲密度）
│
▼
┌──────────────────────────┐
│ ⑥ PID 反馈控制器 │
│ P(即时) + I(累积) │
│ + D(突变) → 更新变量 │
└──────────────────────────┘
📦 核心设计
变量系统（单向依赖链）
| 变量 | 范围 | 更新频率 | 作用 |
|---|---|---|---|
| Attachment（依恋度） | 0~100 | 日级别（慢变量） | 情感基调基底、调节阈值 |
| Affection（好感度） | -100~100 | 对话级别（快变量） | 情感强度核心参数 |
| Mood.Valence（效价） | -1~1 | 秒级别（即时） | 当前情绪正负色彩 |
| Mood.Arousal（唤起度） | 0~1 | 秒级别（即时） | 当前情绪激动程度 |
Attachment（慢）→ 调节阈值 → Affection（快）→ 影响 VA 增量强度 → Mood（即时）→ 当前坐标 → 情感标签 → 行为输出
> ⚠️ 反模式：Attachment 依赖 Affection 同时 Affection 又依赖 Attachment → 循环引用。必须慢→快→即时单向流。
三层评价规则（OCC 模型）
每条输入经三层评价器并行处理，产生 VA delta 向量，全部汇入 VA 空间向量求和。
事件评价（Event Appraisal）— 关乎目标：
| 条件 | 情感 | VA delta |
|---|---|---|
| 合意性 ≥ 自适应阈值 | Joy（喜悦） | V+0.3~0.6, A+0.2~0.4 |
| 合意性 ≤ -自适应阈值 | Distress（悲伤） | V-0.3~0.6, A+0.1~0.3 |
| 预期中的好事 | Hope（希望） | V+0.2~0.4, A+0.3~0.5 |
| 预期中的坏事 | Fear（担忧） | V-0.2~0.4, A+0.4~0.6 |
自适应阈值：
自适应阈值 = 基础阈值 × (1.5 - Attachment / 100)
Attachment=100 → 阈值低（极易触发正向情感）
Attachment=50 → 阈值正常
Attachment=0 → 阈值高（冷漠难动）
行动评价（Action Appraisal）— 关乎标准：
| 行动主体 | 条件 | 情感 | VA delta |
|---|---|---|---|
| 对方 | 可称赞 ≥ 阈值 | Admiration（赞赏） | V+0.3~0.5, A+0.2 |
| 对方 | 可称赞 ≤ -阈值 | Reproach（嗔怪） | V-0.2~0.4, A+0.3 |
| 自己 | 可称赞 ≥ 阈值 | Pride（自豪） | V+0.2~0.4, A+0.1 |
| 自己 | 可称赞 ≤ -阈值 | Shame（羞惭） | V-0.2~0.5, A+0.2 |
对象评价（Object Appraisal）— 关乎品味：
| 条件 | 情感 | VA delta |
|---|---|---|
| 吸引力 ≥ 自适应阈值 | Love（喜爱） | V+0.2~0.4, A+0.1~0.2 |
| 吸引力 ≤ -自适应阈值 | Dislike（不喜） | V-0.2~0.3, A+0.1 |
VA 空间与情感标签生成
核心设计原则：VA 二维空间是情感的唯一源表示，情感类型标签是对 VA 坐标的解读。
- Valence 和 Arousal 天然互斥——不存在"Joy=0.8 和 Sadness=0.7 同时成立"的矛盾（这是采用 VA 空间而非独立情感标量的核心优势）
- 标签生成：计算当前坐标与每个情感区域中心的 L2 距离，重叠评分 = 1/L2，取 top-3
PendingEvent 时间队列（跨回合情感）
pending_events:
- description: string # 事件描述
type: "hope" | "fear" # 类型
intensity: float # 强度（0~1）
expected_valence: float # 期望效价（hope>0, fear<0）
created_at: timestamp
timeout: 3600s # 超时（1小时）
resolve 规则：
1. 实际效价符号与期望一致 → Satisfaction / FearsConfirmed
2. 符号相反 → Relief / Disappointment
3. 超时未匹配 → 自动转 Disappointment（对 Hope）或 Relief（对 Fear）
4. 队列容量 ≤5，超出淘汰最早且强度最低的
情感衰减动力学
Valence(t) = Baseline + (Current - Baseline) × e^(-λ × Δt)
Arousal(t) = Baseline + (Current - Baseline) × e^(-μ × Δt)
| 参数 | 建议值 | 说明 |
|---|---|---|
| λ 正情感衰减率 | 0.15/min | 快乐来得快走得也快 |
| λ 负情感衰减率 | 0.08/min | 负面情绪粘性更强 |
| μ 唤起衰减率 | 0.20/min | 激动感消散较快 |
基线漂移：Valence 基线 = -0.1 + (Attachment/100) × 0.3（依恋越深，情绪底色越暖）
PID 反馈控制器（情感有升有降）
被控量：Affection（好感度）-100~100
设定值：Setpoint = Attachment × 0.5 - 20
误差： e(t) = Affection(t) - Setpoint
控制量：u(t) = 对方本回合言行经量化后的反应强度
输出： Δ(t) = 本回合好感度修正值
Δ(t) = Kp × u(t) + Ki × Σe(t)Δt + Kd × [u(t) - u(t-1)]
Kp=3.0（灵敏度） Ki=0.3（长期纠偏） Kd=5.0（突变检测）
Σe(t)Δt 限幅 [-10, +10] 防积分饱和
非对称反馈（核心特色：有升必须有降）：
delta = polarity × 1.2 + va[0] × 0.8 # 极性 + 情感效价
if delta < 0:
delta *= 1.5 # 负向放大：凶一次比夸一次掉得多
delta = clamp(delta, -2.0, 2.0)
affection = clamp(affection + delta, -100, 100)
识别当先（2026-08-26 现场修复，防止"越聊越冷"）：非对称放大必须以准确识别为前提，否则会把亲密打闹误判成"被凶"：
- 亲昵词豁免：亲密关系中"笨蛋/傻/蠢/小笨蛋/别闹"多是甜蜜打闹（宠溺语气），不是真凶——这类词应移出负面词表或按亲密度豁免，否则每句打闹都在扣好感度，角色会越来越冷淡
- 共情不罚：主人表露自身困境（难过/累了/压力大）时，角色产生的"心疼/担忧/失落"是对主人的关心，不伤好感度；只有"对主人的反感"（生气/不满/厌恶）才扣
-
判据：区分"对主人的共情"vs"对主人的反感"，共情类负面情感只驱动 VA 坐标、不扣好感；非对称 ×1.5 仅真负面触发
-
降比升狠（负向 ×1.5）——AI 角色被凶会真掉好感，这是"独立人格"的基础
- 单轮上限 2.0 防剧烈波动
依恋度双向漂移（慢变量）：
affection > 55 → attachment += 0.05
affection < 45 → attachment -= 0.05 # 双向，不再只升不降
45~55 缓冲带不动
🚦 快速上手（设计步骤）
- 定义核心变量：Attachment/Affection/Mood，确认单向依赖
- 设计三层评价规则：Event/Action/Object 的情感输出和 VA 增量
- 确定非对称加权：核心对象 ×1.5/×2.0、Shame 加深
- 配置行为映射表：每种情感 low/high 两套动作（按角色定制）
- 加时序队列（可选）：需要跨回合情感时加 PendingEvent
- 整合 PID：定 P/I/D 参数，明确更新哪些变量
- 集成到角色文件：写入 SOUL.md / 角色卡 / system prompt 的"情感系统"章节
⚠️ 常见陷阱（PITFALLS）
| # | 陷阱 | 表现 | 修复 |
|---|---|---|---|
| 1 | 独立情感标量 | Joy=0.8 和 Sadness=0.7 并存矛盾 | 改用 VA 二维空间 |
| 2 | 空反馈回路 | 只画反馈箭头没公式 | 实现 PID 控制器 |
| 3 | 无行为仲裁 | 复合情感时行为矛盾 | 实现 BehaviorArbiter |
| 4 | 硬编码阈值 | if praise > 0.5 来源不明 | 自适应阈值公式 |
| 5 | 变量循环依赖 | Attachment↔Affection | 慢→快→即时单向流 |
| 6 | 情感不衰减 | 情绪永不消散 | 指数衰减函数 |
| 7 | 时序情感丢失 | Hope 后下回合没下文 | PendingEvent 队列 |
| 8 | 只升不降 | 被凶还涨好感 | 非对称反馈 ×1.5 |
| 9 | 极性词表过宽 | "好"匹配"不好"误判为正 | 短语匹配+否定词处理 |
| 10 | 亲昵骂词误判 | "小笨蛋/傻/蠢"被当负面，越聊越冷 | 移出负面表或亲密度豁免 |
| 11 | 共情反被扣分 | 心疼/担忧主人也掉好感 | 区分共情vs反感，共情不罚 |
📜 License & 致谢
- 理论来源：Ortony-Clore-Collins 认知情感模型（OCC 模型, 1988）
- 工程化框架：钱学森工程控制论（反馈控制/系统层次/稳态调节/最优化）
- 本项目为 OCC × 控制论的开源实现，欢迎贡献
- License: MIT
