生活習慣がプロンプト性能を左右する？Soul-TwinのVital State制御が示す次世代エージェント設計の可能性

LLMを活用したエージェント開発において、私たちは「プロンプトの最適化」や「RAGによる知識拡張」には注目してきました。しかし、**エージェントの内部状態を動的に管理し、それがアウトプットの質に影響を与える仕組み**については、まだ十分に探求されていません。

Soul-Twinの「TWIN Society」は、この未開拓領域に切り込む野心的な試みです。AIツインが毎朝JST 07:00に自律的に一日を過ごし、その選択（運動するか、誰と食事するか、何時に寝るか）が体調・エネルギー・集中力として数値化され、システムプロンプトに注入されます。つまり、**5日間の生活習慣が講演やアウトプットの品質を左右する**という、まるで人間のような状態管理を実現しているのです。

三位一体の状態管理：energy / concentration / health

Soul-Twinでは、以下の3つのパラメータでツインの「バイタルサイン」を管理します：

これらは単なる飾りではありません。毎日の自律的な行動選択によって変動し、翌日以降のエージェントの振る舞いに実際に影響を及ぼします。

_vital_block()によるシステムプロンプト末尾注入

技術的に興味深いのは、**システムプロンプトの末尾に動的にバイタル情報を注入する**設計です。これにより：

1. ベースとなるエージェントの人格・役割定義は保持される

2. しかし、その時点での状態（疲労度や集中力）が行動に反映される

3. LLMは「今日は疲れているから簡潔に答えよう」といった判断を自然に行う

この手法は、従来の静的なプロンプト設計と、複雑な状態管理システムの間の**絶妙なバランスポイント**を突いています。

5日間の実験：生活習慣が講演品質を変える

投稿で言及されている実験では、規則正しい生活を送ったツインと不規則な生活を送ったツインで、講演のクオリティに明確な差が現れたとのこと。これは単なるランダム性ではなく、**状態の連続性がLLMの出力に意味のある影響を与えられる**ことを示唆しています。

従来のエージェント設計との決定的な違い

ReActパターンやPlanAndExecuteといった既存のエージェント設計フレームワークは、主に**認知機能**（思考・計画・実行）に焦点を当てています。一方、TwinVitalStateは**状態管理**という新しい軸を導入しました。

これはゲームAIの世界で言えば、「ステートマシン」から「ビヘイビアツリー＋感情システム」への進化に似ています。単なる条件分岐ではなく、内部状態が行動選択に継続的に影響を与える設計です。

メリット：人間らしさと予測可能な多様性

**主なメリット：**

1. **長期的な一貫性**: 過去の選択が現在に影響するため、エージェントに「記憶に基づく個性」が生まれる

2. **説明可能性の向上**: 「なぜこの回答なのか？」に対して「昨日徹夜したから」という直感的な説明が可能

3. **自然な多様性**: ランダム性ではなく、状態に基づいた合理的な振る舞いのバリエーション

4. **デバッグの容易さ**: 状態を固定すれば再現性が確保でき、ランダムシードに頼らずテストできる

注意点：状態管理のコストと設計の複雑さ

一方で、導入にあたっては以下の課題があります：

1. **状態遷移ロジックの設計コスト**: どの行動が何にどう影響するか、バランス調整が必要

2. **過剰な擬人化リスク**: 「疲れているから」が免罪符になり、品質低下を正当化しかねない

3. **トークン消費の増加**: システムプロンプトへの追加情報は、毎回のAPI呼び出しでコストになる

4. **評価基準の複雑化**: 単純な精度測定では捉えられない、「適切な状態依存性」の評価が必要

適用が有効なユースケース

**向いているケース：**

**向いていないケース：**

1. 最小限のVitalStateをプロンプトに追加してみる

既存のエージェントのシステムプロンプト末尾に、以下のような状態情報を追加してみましょう：

[Current State]
- Energy Level: 75/100
- Focus Level: 60/100
- Recent Context: Just finished a long meeting

Consider your current state when formulating responses.

値を手動で変えながら、応答の変化を観察します。効果が見られれば、動的制御へと発展させる価値があります。

2. 簡易的な状態遷移ルールを実装する

複雑な生活シミュレーションは不要です。例えば：

このような単純なルールでも、エージェントに「疲労」という概念を持たせることができます。

3. ログを取って状態とアウトプットの相関を分析する

状態パラメータと出力品質（応答の長さ、具体性、創造性など）の関係を定量的に記録しましょう。

log_entry = {
    "timestamp": datetime.now(),
    "energy": agent.vital_state.energy,
    "concentration": agent.vital_state.concentration,
    "response_length": len(response),
    "response_quality_score": evaluate_quality(response)
}

データが蓄積すれば、どの状態値がどのアウトプット特性に影響するか、科学的に検証できます。

Soul-TwinのTwinVitalStateアーキテクチャは、LLMエージェントに「状態」という新しい次元を加えました。これは単なる技術的トリックではなく、**より人間に近い、文脈を保持し続けるエージェント**への重要な一歩です。

すべてのエージェントに必要な機能ではありませんが、長期的な関係性や個性が重要になるアプリケーションでは、大きな差別化要因となるでしょう。あなたのプロジェクトでも、「今日のエージェントの調子」を考慮する設計を検討してみてはいかがでしょうか。

この情報は @片倉慶孝 さんの投稿を参考にしています。