游戏 AI / 系统课时
让模型生成可执行任务结构
让模型生成可执行任务结构
这一课解决“模型会写任务文案,但任务系统不能直接执行”的问题。目标是把任务生成结果限制成稳定的数据结构,让目标、触发条件、步骤和奖励都能被程序校验,再决定是否进入游戏运行时。
学习目标
- 设计能覆盖任务目标、条件、步骤和奖励的结构化 schema
- 区分模型生成、结构校验与业务校验三个阶段
- 用代码验证一个任务对象是否满足最小执行要求
先把“任务”拆成可校验字段
生成式模型最擅长自然语言,但游戏任务系统需要确定字段。一个最小任务对象通常至少包含 id、title、objective、conditions、steps 和 rewards。
objective 表示玩家最终要完成什么;conditions 表示任务何时可接、何时可执行;steps 是可追踪的阶段;rewards 则必须映射到游戏里真实存在的奖励类型。只要其中一个关键字段缺失,任务就不应直接进入运行时。

用 schema 固定输出边界
下面是一个适合教学和原型阶段的 JSON Schema 片段示例。它不负责判断“击败的怪物是否真的存在”,但可以先拦住缺字段、类型错误和非法枚举值。
{
"type": "object",
"required": ["id", "title", "objective", "conditions", "steps", "rewards"],
"properties": {
"id": { "type": "string", "minLength": 1 },
"title": { "type": "string", "minLength": 1 },
"objective": {
"type": "object",
"required": ["type", "targetId", "count"],
"properties": {
"type": { "enum": ["KILL", "COLLECT", "EXPLORE"] },
"targetId": { "type": "string" },
"count": { "type": "integer", "minimum": 1 }
}
},
"conditions": { "type": "array" },
"steps": { "type": "array", "minItems": 1 },
"rewards": { "type": "array", "minItems": 1 }
}
}这个 schema 的意义不是让模型“更聪明”,而是把不可控的文本生成压缩到游戏系统能够接受的边界里。生成提示词中应明确要求只返回符合该结构的 JSON,不要把说明文字混在结果前后。
再做一次业务校验
结构合法不代表任务可执行。比如 targetId 可能不存在,奖励物品可能已下线,奖励数量也可能超出设计上限。因此,结构校验之后还要做业务校验。
下面用 JavaScript 写一个最小业务校验器。示例不依赖第三方库,可以直接在 Node.js 中运行。
const task = {
id: "quest-forest-001",
title: "清理林地",
objective: { type: "KILL", targetId: "wolf", count: 3 },
conditions: [],
steps: [
{ type: "GO_TO", targetId: "forest-edge" },
{ type: "KILL", targetId: "wolf", count: 3 }
],
rewards: [
{ type: "GOLD", amount: 120 }
]
};
const validTargets = new Set(["wolf", "forest-edge"]);
const rewardLimits = { GOLD: 500 };
function validateTask(input) {
// 先拦截无法进入任务系统的基础结构问题。
if (!input.id || !input.title) return "missing basic fields";
if (!input.objective || input.objective.count < 1) return "invalid objective";
if (!validTargets.has(input.objective.targetId)) return "unknown objective target";
if (!Array.isArray(input.steps) || input.steps.length === 0) return "steps required";
if (!Array.isArray(input.rewards) || input.rewards.length === 0) return "rewards required";
// 奖励必须来自服务器认可的类型,并限制在设计上限内。
for (const reward of input.rewards) {
const max = rewardLimits[reward.type];
if (max === undefined) return `unknown reward type: ${reward.type}`;
if (reward.amount < 1 || reward.amount > max) return `invalid reward amount: ${reward.amount}`;
}
return "valid";
}
console.log(validateTask(task));预期输出
valid这一步的关键是:模型只负责提出候选任务,服务器负责决定任务是否合法。不要因为模型已经按 schema 输出,就跳过服务端校验。
让任务结构真正可执行
生成结构设计时,要优先使用游戏系统已经认识的枚举和值,而不是让模型自由发明。例如目标类型应该来自 KILL、COLLECT、EXPLORE 这类固定集合;奖励也应引用已有奖励类型或配置 ID。
任务进入运行时前,至少检查三层:JSON 能否解析、字段结构是否符合 schema、字段值是否能映射到真实游戏数据。只有三层都通过,任务才适合持久化并交给任务系统执行。
当任务结构能稳定通过校验后,生成式 AI 才真正从“写文案”进入“生产可执行内容”的阶段。