LLM驱动游戏NPC对话：人设一致性与行为约束实验

游戏AI实验室近期围绕「LLM 驱动的 NPC 对话」做了一轮小规模验证，目标不是让 NPC 说得更花哨，而是让它在长对话里不掉人设、不越出游戏世界的规则边界。

做法分三层：一是人设卡，把 NPC 的身份、口吻、知识边界写成结构化字段，作为系统提示的固定部分；二是记忆库，只保留与当前任务相关的关键事件摘要，避免上下文无限膨胀；三是行为约束层，对话模型不直接改写游戏状态，只输出意图标签，由规则引擎校验后再执行（如给予物品、触发任务）。

阶段进展：在 200 轮内部测试对话中，出现身份错认或世界观越界的回答比例，从初版的约 12% 降到 3% 以内；单轮响应中位延迟约 1.2 秒，主要受益于本地推理与缓存命中。玩家侧主观评分样本量仍然偏小，暂不作为结论。

下一步：对比不同记忆压缩策略对长会话一致性的影响，并把意图标签体系从对话扩展覆盖到交易与组队两类交互。