个体内部的心理构念普遍被认为彼此相互关联。我们探究了大型语言模型（LLMs）是否以及如何仅通过极少的量化输入，建模人类心理特质之间的相关结构。我们向多个大型语言模型输入了816名人类个体在大五人格量表上的回答，要求其“扮演”这些个体，在另外九个心理量表上生成响应。结果表明，LLMs在捕捉人类心理结构方面表现出极高的准确性，其生成的量表间相关性模式与真实人类数据高度一致。这种零样本（zero-shot）表现显著优于基于语义相似性的预测水平，且接近于直接在该数据集上训练的机器学习算法的准确度。对模型推理路径的分析揭示，LLMs采用了一种系统性的两阶段过程：首先，它们通过信息选择与压缩，将原始的大五人格量表回答转化为自然语言形式的人格描述摘要，这一过程类似于生成充分统计量；其次，基于这些摘要进行推理，生成目标量表的响应。在信息选择阶段，LLMs识别出与训练有素的算法相同的关键人格因素，但未能区分各量表条目在因子内部的重要性差异。值得注意的是，这些压缩后的摘要并非简单的冗余表示，而是捕捉到了协同性信息——将这些摘要信息与原始得分结合后，可进一步提升预测结果与真实数据的一致性，表明其编码了特质间相互作用的涌现性、二阶模式。本研究结果表明，LLMs能够通过抽象与推理过程，仅凭极少量数据精准预测个体的心理特质，不仅为心理模拟提供了一种强大工具，也揭示了其在复杂认知推理方面的潜在能力。