AI游戏NPC长期记忆实验：人设一致性与长会话召回

在《游戏AI实验室》，我们近期围绕 NPC 长期记忆做了一组小规模实验。常见做法是把整段对话历史塞进上下文，成本高且容易丢掉早期信息；我们把角色设定、玩家交互记录与世界状态拆成三层存储：静态人设、事实记忆、关系记忆。每轮对话前由检索模块召回少量相关条目，压缩成一段人设摘要再注入模型。测试对象是一款开放世界 RPG 原型中的三个支线 NPC，每个角色累计 200 轮以上交互，覆盖闲聊、任务追问、情绪冲突三类场景。

要点：
· 进展：为记忆条目加上「事实 / 关系 / 承诺」标签后，NPC 对 30 轮以前玩家承诺的召回准确率从 41% 提升至 78%，人设违和回复占比由 12% 降至 4.5%，单轮平均 token 消耗下降约三成。
· 下一步：把记忆写入与任务系统打通，验证记忆能否反向生成支线任务；同时评估单角色跨存档长期记忆的存储与推理成本，寻找可落地的压缩上限，并观察玩家对「被记住」这件事的真实反馈。