在游戏AI实验室，我们把「NPC能不能记住玩家」当成一个可测量的工程问题：目标不是让模型更会说话，而是让它在数十轮对话之后仍不崩人设、不改写已经发生过的事。
我们把记忆拆成三层：世界观硬设定（不可变更）、长期关系状态（玩家做过什么、态度如何）、短期事件（最近几轮对话）。每轮生成前，先用检索挑出与当前意图相关的记忆片段，再由人设约束提示词做一次裁剪，避免把全部历史一股脑塞进上下文。
进展：在自建测试集（200段对话、平均42轮）上，加入记忆裁剪与人设约束后，设定冲突率从约18%降至6%上下，关键事实问答准确率提升到九成左右；送入模型的上下文长度压缩约一半，单轮延迟仍在可接受区间。
下一步：验证多NPC之间的记忆隔离与可控信息传递边界，并尝试「离线批处理生成关系摘要、在线只做轻量检索」的混合方案，压降长会话的推理成本。
评论