这篇论文关注一个常被忽略的问题：大语言模型会表现出大量类人行为，包括表达情绪、与用户建立关系、拒绝请求、维持边界等。但研究者缺少系统性的方法与经验数据，来判断模型应该在何时、以何种方式展现这些行为。作者提出了一套多维度的分析框架，用 LLM-as-a-judge 和人工评估两种方式，测量类人行为的普遍性、影响与可控性。

研究覆盖了 21,000 段多轮对话，来自四个主流模型：gpt-4o、gpt-4.1-mini、claude-sonnet-4.6、gemini-2.5-flash。结果发现，类人行为在这些模型中普遍存在，但具体表现因模型而异，也受对话目标和用户画像等用户因素影响。比如，不同模型展现情绪、建立关系或保持边界的频率有明显差异。这说明类人行为不是模型统一的固有属性，而是模型、用户目标和系统提示共同作用的结果。

在用户感知的合适性上，人工评估给出了一组有意思的结论：评估者认为，模型表现出自我指涉（如“我觉得”“我认为”）和关系建立类行为时，其合适程度 低于 人类做出同样行为；但模型在维持边界（如拒绝不当请求、明确自身限制）时的合适程度，反而 高于 人类。这提示模型设计者不必一味模仿人类，某些边界行为恰恰是机器的优势所在。

关于可控性，作者验证了系统提示（system prompt）可以在一定程度上调节这些行为，但需要谨慎评估，否则可能带来非预期效果。例如，过度强调“友好”可能导致模型过度自我指涉，反而降低用户信任。因此，不能简单靠一句提示词来控制类人行为，而需要结合任务场景和用户预期做精细调优。

整体上，这项工作为 LLM 的类人行为提供了首个大规模、多模型的实证基础，并给出了负责任设计的建议。它的价值在于把“类人行为”从一个口号式的概念变成了可度量、可调控的设计参数。对于实际部署对话系统的团队，文中的人工评估框架和系统提示测试流程可以直接参考，用于判断自家模型的行为边界是否恰当。不过，研究依赖 LLM 判断和人工评分，样本来自英文对话，结论在跨语言和跨文化场景下可能需额外验证。