在游戏AI实验室，我们做了一轮面向实际项目的探索：让大模型驱动NPC，在长对话中保持人设不崩，同时把上下文成本压下来。
方法上采用三段式：一是人格卡，把性格、口癖、价值观写成可检索的结构化条目，而不是一段散文式提示词；二是记忆分层，把事实、关系、情绪状态分别落到独立记忆槽，对话前按当前话题召回Top-K，超出部分做摘要折叠；三是回复后置校验，用规则加小模型判断回答是否与人设或既有事实冲突，冲突即触发重写。
进展要点：
- 在20个人格、8名测试玩家、人均约40轮的封闭测试中，人设冲突率由初版的约18%降至6%左右，主要剩余问题集中在玩家反复诱导和跨场景跳转时。
- 记忆压缩把单轮平均上下文消耗降低约四成，但玩家对“记得住细节”的主观评分提升有限，说明召回质量比召回数量更关键。
下一步计划是把记忆写入时机与任务触发绑定，减少无效召回，并在真实任务链场景中验证这套结构是否能支撑分支剧情。
评论