游戏 AI / 系统课时
对话结束后如何更新记忆
对话结束后如何更新记忆
对话真正结束后,系统不应把整段聊天原样塞进长期记忆,而应先提炼成可判断、可检索、可失效的记忆事件。本篇将建立一条从对话结果到记忆写入的最小链路。
学习目标
- 区分当前会话状态与长期记忆,并为内容设置保存范围
- 将自然语言对话提炼成结构化记忆事件
- 在写入前执行去重、覆盖和有效期判断
先确定什么值得留下
长期记忆适合保存会影响未来行为的稳定事实,例如玩家明确选择了阵营、与某 NPC 达成了约定、角色知道某个秘密。一次性的寒暄、情绪波动和刚刚说过但没有后续价值的细节,应只保留在当前会话中。
可以用一个简单判定:这条信息在下一次对话中仍会改变 NPC 的回答吗?会,则进入候选记忆;不会,则不要因为“看起来有信息量”而永久保存。
常见的记忆范围可以这样区分:
| 范围 | 典型内容 | 生命周期 |
|---|---|---|
| 会话级 | 最近几轮对话、当前任务目标 | 当前会话 |
| 短期记忆 | 最近一次承诺、临时偏好 | 数小时或数天 |
| 长期记忆 | 阵营关系、关键剧情事实、长期偏好 | 直到被更新或失效 |

用结构化事件代替整段聊天
记忆事件应尽量包含稳定的字段,例如 subject、fact、scope、confidence、created_at 和 expires_at。这样后续查询不必再次理解整段对话,也能直接判断一条记忆是否仍然有效。
下面的示例不依赖模型调用,模拟一次“提炼后写入”的流程,重点展示数据结构和覆盖规则。实际项目中,可以把 extract_memory_events() 替换为受约束的模型结构化输出。
from datetime import datetime, timedelta, timezone
memory_store = {}
def extract_memory_events(dialogue: str):
# 生产环境可由模型输出同样结构,再经过程序校验。
if "愿意加入北境商队" in dialogue:
return [{
"subject": "player",
"fact": "愿意加入北境商队",
"scope": "long_term",
"confidence": 0.96,
"expires_at": None,
}]
return []
def update_memory(dialogue: str):
now = datetime.now(timezone.utc)
events = extract_memory_events(dialogue)
for event in events:
key = (event["subject"], event["scope"], event["fact"])
event["created_at"] = now.isoformat()
if event["scope"] == "short_term":
event["expires_at"] = (now + timedelta(days=3)).isoformat()
memory_store[key] = event
return list(memory_store.values())
result = update_memory("玩家说:我愿意加入北境商队。")
print(result[0]["fact"], result[0]["scope"])预期输出
愿意加入北境商队 long_term关键不在于字段越多越好,而在于写入前可验证。模型负责提炼候选事实,程序负责检查字段是否合法、置信度是否达到阈值、是否与现有记忆冲突,以及是否应该设置过期时间。
处理重复、冲突与失效
同一事实可能在多轮对话中重复出现,因此不要简单按时间不断追加。可以为记忆定义稳定键,例如 subject + fact_type,新事件到来时选择更新已有记录,而不是制造大量近似副本。
冲突也需要显式处理。比如旧记忆是“玩家属于东港”,新对话明确说“我已经加入北境商队”,系统应把它识别为状态变化,而不是同时保留两个无法解释的当前事实。历史事件可以另存,当前记忆只保留最新有效状态。
过期机制尤其适合临时承诺和短期目标。读取记忆时同时判断 expires_at,过期记录不再注入提示词;这样可以避免 NPC 长期坚持一条已经失效的信息。
记忆更新应该发生在哪里
更稳妥的链路是“对话结束 → 提取候选事件 → 规则校验 → 合并已有记忆 → 持久化”。不要让模型直接改数据库,也不要在玩家还没说完时就把半成品判断写入长期记忆。
对于关键剧情信息,还可以提高写入门槛:要求高置信度、特定意图或游戏事件确认后才保存。这样 NPC 的记忆就从“聊天记录仓库”变成了受规则控制的状态层。