在《游戏AI实验室》近期的一组对照实验中，我们让同一个大模型驱动的NPC在开放世界任务链中连续交互，重点观察两件事：跨会话的长程记忆能否被稳定召回，以及人格设定在多轮对话后是否发生漂移。
做法上，我们把NPC设定拆成三层——世界观事实、角色人格、与玩家共同经历的事件。前两层作为静态约束写入提示词，第三层以结构化事件卡存入外部记忆库，每轮按相关度召回3~5条，并要求模型在生成对白前先输出一段不展示给玩家的内部推理摘要。
要点一：在200段、约1.2万轮的测试对话中，引入事件卡召回后，NPC对“上周帮玩家找过猫”这类跨会话事实的准确引用率从41%提升到88%；人格漂移（语气、称谓、立场前后矛盾）的标注比例由17%降至6%。
要点二：代价是延迟明显上升，单轮P95从0.9秒增至2.3秒，开销集中在记忆检索与推理摘要。下一步计划把检索换成端侧轻量向量模型，并让非关键对话走快速路径，目标是在召回准确率保持85%以上的前提下，把P95压回1.2秒以内。我们同时在验证一条边界：记忆并非越多越好，当召回条数超过8条，模型反而更频繁地混用不同时间线的事实，准确率回落约9个百分点。
评论