استخدام الدردشة الآلية القائمة على استرجاع الشخصية أمر حاسم للحوار الشخصي، ولكن هناك عدة تحديات يجب معالجتها. 1) بشكل عام، جمع مكتبة بيانات مبنية على الشخصية يكون باهظ الثمن للغاية. 2) لا ترد أنظمة الدردشة الآلية دائمًا بمراعاة الشخصية في التطبيقات الفعلية. لمعالجة هذه التحديات، نقترح طريقة دفع وتشغيل (plug-and-play) لتقديم شخصيات. يمكن لنظامنا العمل كدردشة آلية قياسية في المجال المفتوح إذا لم تتوفر معلومات الشخصية. نوضح أن هذا النهج يعمل بشكل جيد في الإعداد بدون تدريب (zero-shot)، مما يقلل من الاعتماد على بيانات التدريب المبنية على الشخصية. هذا يجعل من السهل توسيع النظام إلى لغات أخرى دون الحاجة إلى بناء مكتبة بيانات مبنية على الشخصية. بالإضافة إلى ذلك، يمكن تعديل نموذجنا لتحقيق أداء أفضل. في تجاربنا، تحسنت النموذج بدون تدريب (zero-shot) النموذج القياسي بمقدار 7.71 نقطة و1.04 نقطة في الشخصية الأصلية والشخصية المعدلة، على التوالي. بينما تحسن النموذج المعاد ضبطه النظام السابق الأكثر تقدمًا بمقدار 1.95 نقطة و3.39 نقطة في الشخصية الأصلية والشخصية المعدلة، على التوالي. حسب علم us، هذه هي المحاولة الأولى لحل مشكلة اختيار الاستجابة الشخصية باستخدام سلاسل الدفع (prompt sequences). رمز البرمجيات الخاص بنا متاح على موقع GitHub~\footnote{https://github.com/rungjoo/plug-and-play-prompt-persona}.