【攻略】游戏中接入大语言模型：从乱说话到演戏，踩过的 5 个坑
05/1266 浏览开发心得
前言
我做了一款 AI 驱动的游戏——《审讯室》。
核心玩法很简单：玩家和 AI 驱动的嫌疑人/NPC 自由对话，AI 根据人设实时生成回复，玩家的每一句话都影响剧情走向。
听起来很酷对吧？做起来全是坑。
这篇攻略总结了我在项目中接入大语言模型的实战经验，从单模型崩溃到双模型协作，从对话前言不搭后语到剧本驱动叙事，以及如何用免费模型额度支撑上万次游戏体验。
---
一、痛点篇：LLM 在游戏中的三大难题
痛点 1：LLM 不是演员，是公务员
最初的设想很美好——给 LLM 一个角色设定，它就能演活了。
现实是：你把一份长达 800 字的角色档案喂给它（性格、弱点、背景故事），它确实会照着演。但演出来的是“逐条遵守员工手册的公务员”，而不是“有血有肉的演员”。
症状：
· 每句话都像在填空：“根据我的懦弱性格，我应该说我什么都不知道。”
· 出示证物后，它不会惊讶，而是机械地跳到下一条规则。
· 对话没有连贯性，前面还在害怕，下一句突然变平静。
痛点 2：视角混淆——它到底是谁？
审讯游戏需要给玩家提供“推荐话术”选项。我让 LLM 同时做两件事：
1. 扮演嫌疑人，生成对话
2. 站在警官角度，生成 3 个推荐话术
结果 LLM 经常搞混自己是谁。推荐话术以嫌疑人的口吻输出：“我只是听命行事……”。玩家看到选项直接出戏。
痛点 3：对话像跳针唱片，不连贯
数值驱动的对话系统有个先天缺陷：对话走向完全由隐藏数值（恐惧、信任）决定。数值变了，话题就跳了。前面还在聊账本，出示了一个证物后，嫌疑人突然跳到另一条完全不相关的内容。
症状：
· 出示证物 → 嫌疑人应该先对证物做反应 → 但 LLM 可能直接跳到“你想怎样？”
· 玩家刚威胁完 → 下一轮嫌疑人可能突然变得很配合（因为 trust 数值变化了）
---
二、解决方案篇：从 V1 到 V5 的架构演进
V1（失败版）：单一 LLM 全包
一个 LLM 同时承担：角色扮演 + 生成建议 + 判定数值变化。
问题：视角混淆、对话机械、数值占用 LLM 太多“注意力”。
V2（补丁版）：加格式约束
在 System Prompt 里加各种格式约束，正反面示例，服务端兜底过滤。
效果：有改善，但治标不治本。同一个模型在两个角色之间反复横跳，天然会混淆。
V3（减负版）：LLM 只演戏，数值服务端算
核心改动：
· LLM 不再返回数值（删除 hidden_changes 字段）
· 数值完全由服务端根据规则计算
· 把数值替换为“当前感觉”注入 Prompt（如“你感到胸有成竹，警方拿你没办法”）
效果：角色扮演质量明显提升。但推荐话术视角问题仍然存在。
V4（双模型架构）：雇两个 AI，各干各的事
这是最关键的架构升级。
模型 A（嫌疑人）：只负责扮演嫌疑人。System Prompt 纯角色设定，不生成任何建议。
模型 B（警官参谋）：只负责生成推荐话术。System Prompt 是审讯策略顾问，完全从警官视角出建议。
通信流程：
1. 玩家输入 → 服务端先调模型 A，拿到嫌疑人回应
2. 用 A 的回应调模型 B，拿到推荐话术
3. 组合发给客户端
效果：推荐话术视角问题彻底解决。嫌疑人扮演质量进一步提升（卸掉了“出谋划策”的负担）。
V5（模型池优化）：免费模型怎么用
百炼平台有大量模型提供免费额度（一次性/每个模型100 万 Token/注册起3 个月有效）。我把它们全部接入，实现自动切换：
· 所有模型共享一个 model_list
· 共用同一个 current_model_index
· 遇到 403（免费额度用完）→ 自动跳到下一个
· 遇到 400（多模态模型不支持纯文本）→ 初始化时自动过滤
· 新模型直接追加到列表末尾，无需改代码
关键经验：不要区分“嫌疑人专用”和“参谋专用”的模型列表。共用一个池子、共用一个索引，维护成本最低。
---
三、Prompt 工程篇：怎么写才能让 LLM 演好角色
1. 用“终极动机”替代“性格列表”
错误写法：列出大段性格特征（胆小、狡猾、自私、爱女儿……）
正确写法：只给一个终极动机 + 一个演绎铁律
【你的终极动机】
活下来，保护女儿，为自己谋取最大利益。你可以在懦弱、狡猾、自私之间反复横跳。
【你的演绎铁律】
1. 你无权判定自己是否在说谎，你只知道说出这句话对你是否有利。
2. 你的性格不是固定的标签，而是你达成终极动机的工具。
原理：性格列表是“紧箍咒”，LLM 会逐条遵守。终极动机是“驱动引擎”，LLM 会自己想办法达到目的。
2. 用“感觉”替代“数值”
错误写法：把 fear=85、trust=15 注入 Prompt
正确写法：服务端根据数值区间，转换成“当前感觉”：
```
fear < 40 → “你感觉胸有成竹，认为警方拿你没办法”
fear 40-70 → “你开始心虚，但还想再狡辩一下”
fear > 70 → “你惊慌失措，感觉快要瞒不住了”
```
原理：给 LLM 看数字 = 给它看体检报告。给它讲故事 = 给它讲戏。
3. 推荐话术的生成规则
模型 B（警官参谋）的 System Prompt 中加保底规则：
```
第 1 条：直接回应当前对话的话术（关联性最强）
第 2 条：可推进案情的替代问法（关联性强）
第 3 条：保底推进话术（确保总是可用）
```
同时给正反面示例——正面示例全是警官视角的纯对话文本，反面示例全是嫌疑人视角的句子（标注“绝对禁止”）。
---
四、成本控制篇：如何用免费额度支撑上万次游戏
消耗测算
单次 LLM 调用约 1000 Token。一次完整游戏约 20个回合，80 轮对话（双模型各 40 次调用），约 50000 Token。
策略
· 目前百炼平台上约 150 个纯文本模型各有 100 万免费额度
· 共享一个模型列表，自动切换
· 总免费额度约 1.5 亿 Token，可支撑约 5000 次完整游戏
· 加上新的模型刷新，token优惠政策，长期运营基本无压力
双模型成本
模型 B（参谋）的输出很短（只有 3 条建议），整体成本只增加约 30%，不是翻倍。
---
五、总结：做 LLM 游戏的核心经验
1. 不要让一个 LLM 做太多事。角色扮演和策略建议必须分开，双模型架构是最低配置。
2. LLM 是演员，不是计算器。数值判定交给服务端，LLM 只负责根据“当前感觉”演戏。
3. Prompt 要写“动机”不要写“规则”。性格是工具，动机是引擎。
4. 免费额度是宝藏。共用模型池 + 自动切换能让你几乎零成本运营。
5. 证物是叙事的路标。用证物引导剧情线，用节拍表控制叙事节奏，数值只用来判定结局。
---
附：我用的技术栈
· AI API：阿里云百炼（Qwen 系列 + DeepSeek 系列）
· 架构：双模型协作（A 嫌疑人 / B 参谋）
· 通信：RemoteEvent + 服务端 HTTP
· 叙事：剧本驱动（15 条故事线 × 9 节拍）
· 模型池：179 个免费模型，共用索引自动切换