在开放世界游戏中，NPC 对话通常只保留最近若干轮上下文，跨场景后容易出现重复自我介绍、忘记玩家承诺等问题。我们的实验不追求更大的模型，而是把重点放在记忆的组织与召回上。
方案将 NPC 记忆拆为三层：事实层（玩家姓名、阵营、已完成任务）、事件层（关键剧情节点与玩家选择）、态度层（好感度与语气倾向）。每层以结构化条目写入向量库，并附带时间戳与场景标签。对话时先用规则过滤（当前场景、任务状态），再走向量召回，只把得分最高的 3~5 条拼入上下文，并用唯一事实槽约束模型不得与已确认事实冲突。
进展与数据：
- 在自研测试剧本（约 400 个对话回合、60 个剧情节点）上，跨场景事实一致率由 78% 提升至 94%，重复提问率下降约 40%；
- 单轮上下文稳定控制在 1.2k token 以内，端到端响应延迟基本不变。
下一步：把玩家选择导致的剧情分支差异纳入一致性评测，并尝试让 NPC 在检测到冲突时主动澄清，而不是静默覆盖旧记忆。
评论