游戏 AI / 系统课时
只把当前游戏状态交给模型
只把当前游戏状态交给模型
游戏运行时会产生大量对象和字段,但生成对话或行为决策真正需要的,往往只是少数当前状态。只筛选位置、生命值、任务阶段、关系等必要信息,可以减少上下文噪声,也能降低敏感或无关数据被模型看到的风险。
学习目标
- 识别哪些游戏状态字段会直接影响当前生成任务
- 学会从完整游戏对象中筛出最小可用状态集合
- 能用字段白名单控制发送给模型的数据范围,并检查状态是否足够支撑生成
从游戏对象中挑出生成所需字段
游戏对象通常包含很多技术字段,例如内部 ID、缓存数据、渲染组件、碰撞组件、网络信息和调试标记。这些字段对引擎有用,但对语言模型未必有意义。
生成上下文应该围绕“模型现在需要回答什么”来选择字段。假设任务是生成 NPC 下一句对白,那么位置、生命值、任务阶段和与玩家的关系可能有直接作用;渲染材质、节点句柄和内部缓存则通常没有帮助。
一个简单原则是:字段必须能解释当前生成任务中的某个决定,否则默认不发送。
用最小状态解释当前决策
筛选字段时,不要追求“越少越好”,而要追求“刚好够用”。例如仅发送 health,模型可能知道角色受伤,却不知道角色为什么改变语气;仅发送 questStage,又可能无法解释角色当前位置导致的行为差异。
可以从四个方向检查状态是否完整:角色在哪里、角色当前资源如何、任务进行到哪一步、角色与相关对象是什么关系。对不同生成任务,这四项的重要性会变化。
例如生成战斗外 NPC 对白时,位置可能决定环境描述,生命值影响情绪,任务阶段决定话题,关系值影响措辞。只要这些字段足以支持目标输出,就没有必要再把完整角色对象交给模型。
用白名单而不是黑名单控制数据
工程上更适合维护“允许发送哪些字段”的白名单,而不是维护一份不断增长的“禁止发送字段”。黑名单很容易漏掉新加入的内部属性,而白名单新增字段必须经过明确判断。
可以把状态看成一个经过筛选的快照:原始对象负责驱动游戏逻辑,生成上下文只读取其中一小部分。两者应该在边界处完成转换,而不是直接把整个对象序列化后发送。
根据场景动态更新状态
状态并不需要在每一轮都全部重建,但只要影响生成结果的字段发生变化,就应该更新对应上下文。比如 NPC 从“正在巡逻”进入“发现玩家”阶段,真正需要变化的可能只有位置、任务阶段和关系状态。
可以把更新分成两类:长期稳定信息继续复用,短期变化信息按事件更新。这样既避免重复发送大量静态数据,也不会让模型继续依据已经过时的状态生成内容。
| 状态类型 | 示例 | 更新时机 |
|---|---|---|
| 稳定状态 | 角色职业、阵营 | 很少变化时长期复用 |
| 场景状态 | 位置、附近目标 | 场景或目标变化时更新 |
| 任务状态 | 当前阶段、任务目标 | 任务进度变化时更新 |
| 关系状态 | 好感、敌对、信任 | 互动结果变化时更新 |
如何判断筛选结果是否合格
完成一次字段筛选后,可以反向测试生成结果。如果模型频繁问“玩家在哪里”“任务进行到哪一步”,说明上下文缺少必要状态;如果生成内容经常引用渲染组件、内部 ID 等技术细节,则说明发送范围过宽。
最终应达到这样的平衡:模型拥有完成当前任务所需的最小信息集,同时不知道与当前决策无关的内部实现。把完整游戏对象和生成上下文明确分开,才能让生成系统在数据规模扩大后仍然保持可控。