游戏 AI / 系统课时
让任务生成只使用现有游戏数据
让任务生成只使用现有游戏数据
任务生成真正容易失控的地方,不是模型不会写任务,而是它会自然补出游戏数据库里根本不存在的地点、敌人或道具。本课建立一层资源约束,让模型只能从给定的地图、敌人、道具和任务状态中选择,最后再由程序校验并拒绝未知对象。
学习目标
- 设计只引用现有资源的任务生成输入
- 让模型输出经过资源白名单和状态校验
- 在生成失败时给出可定位的拒绝原因
先把游戏世界变成可选资源
不要把整个数据库原样塞进提示词,也不要只要求模型“不要编造”。更可靠的做法是先从游戏状态中筛选当前可用资源,形成结构化候选集,例如地图区域、敌人类型、可用道具以及当前任务状态。
模型看到的是这些候选对象,而不是一个可以自由扩写世界观的空白空间。每个资源应带稳定 ID,名称只用于理解,真正写回游戏数据时以 ID 为准。

用稳定 ID 而不是自然语言名称
任务模型可以输出“废弃矿井”这样的名称,但程序真正需要的是 map-02。因此输入数据应同时提供 ID 和展示名称,输出协议也要求模型引用 ID。这样即使同名地点存在多个版本,或者界面名称后来修改,任务仍然可以准确绑定到数据库对象。
下面的片段示例使用 Python 建立资源索引并检查模型生成结果。示例中的 generated 可以替换成实际模型适配层返回的 JSON 对象。
from typing import Any
resources = {
"maps": {"map-01", "map-02"},
"enemies": {"enemy-01", "enemy-02"},
"items": {"item-01", "item-02"},
}
def validate_quest(quest: dict[str, Any], resources: dict[str, set[str]]) -> list[str]:
errors: list[str] = []
if quest.get("map_id") not in resources["maps"]:
errors.append("unknown_map")
if quest.get("enemy_id") not in resources["enemies"]:
errors.append("unknown_enemy")
if quest.get("reward_item_id") not in resources["items"]:
errors.append("unknown_item")
return errors
generated = {
"map_id": "map-02",
"enemy_id": "enemy-01",
"reward_item_id": "item-02",
"status": "available",
}
errors = validate_quest(generated, resources)
if errors:
raise ValueError(f"quest_rejected: {errors}")
print("quest accepted")预期输出
quest accepted如果把 generated["reward_item_id"] 改成不存在的 item-99,程序不会继续写入游戏,而是抛出 quest_rejected 并指出 unknown_item。实际项目还应继续校验任务状态、数量范围和资源之间的业务关系。
把状态也纳入生成约束
“资源存在”不等于“资源现在可用”。例如地图可能尚未解锁,道具可能已经移除,某类敌人可能只在特定章节出现。生成输入因此应同时带上状态,程序侧也要再校验一次。
可以把候选资源分成“可选”和“仅供参考”两层。模型只能引用可选集合;锁定资源即使出现在上下文里,也不应成为合法输出。这样既保留世界信息,又不会让模型误把未来内容当成当前可用内容。
让拒绝结果可修复
资源校验失败后,不要只返回一个笼统的“生成失败”。把失败原因拆成 unknown_map、unknown_enemy、unknown_item、resource_locked 等稳定错误码,生成层就可以针对错误重新构造输入,而不是让模型盲目重试。
生成任务时还应在写入前做最后一次完整校验:所有 ID 必须存在,所有状态必须允许,任务之间的依赖不能互相冲突。只有验证通过的对象才能进入正式任务表;模型输出本身永远不应被视为可信数据库记录。
什么时候应该扩大候选集
候选集不是越小越好。当前任务真正需要的地图、敌人和奖励应尽量靠近生成目标,否则模型只能不断围绕无关资源组合。实践中可以先按章节、区域、玩家等级或任务类型过滤,再把结果作为本次生成的唯一候选范围。
最终形成的职责边界是:游戏数据决定“世界里有什么”,筛选器决定“这次能用什么”,模型负责“如何组合成任务”,校验器负责“结果是否真的存在且可用”。这条链路能显著降低虚构资源进入游戏内容库的概率,同时保留生成式任务设计的灵活性。