游戏 AI / 系统课时

让 NPC 记住玩家做过什么

让 NPC 记住玩家做过什么

NPC 之所以能表现出“记得玩家”,并不需要把全部历史对话塞进每次提示词,而是把关键事件整理成可检索记忆,在当前互动需要时取回并注入上下文。

学习目标

  • 把任务、交易和关键互动记录成适合检索的玩家事件
  • 理解“事件事实”和“自然语言记忆”的区别与组合方式
  • 实现按玩家和场景检索记忆,并把结果安全地交给 NPC 生成流程

先记录事实,再生成记忆

最稳定的做法不是让模型自行判断“玩家以前做过什么”,而是先由游戏逻辑记录可验证的事实。例如玩家完成任务 quest_1042、购买物品 healing-potion、帮助 NPC mira,这些信息都应该来自游戏状态或事件系统,而不是从一段自由文本猜出来。

随后可以把高价值事件转换为简短的记忆条目,例如“玩家在 2026-09-18 帮助 Mira 追回药草”。这样既能让 NPC 获得自然语言表达,也保留了原始事件作为事实来源。生成模型负责表达方式,游戏系统负责事实正确性。

玩家事件到 NPC 可检索记忆的关系

设计一条最小记忆记录

单条记忆至少需要能回答“谁、做了什么、何时发生、关联什么对象”四个问题。实际字段可以按项目复杂度扩展,但不要一开始就把整段聊天、所有 UI 文本和每个移动操作都存进去。

例如一条事件可以使用这样的数据:player_id 标识玩家,event_type 表示 quest_completed 或 trade_completed,entity_id 指向任务或物品,occurred_at 保存事件时间,details 保存少量结构化参数。对于需要自然语言表达的内容,可以再增加一个短的 memory_text。

下面用 Python 模拟“记录事件→筛选相关记忆→组装 NPC 上下文”的最小实现。它使用内存列表代替数据库,方便独立运行;正式项目通常会把 events 换成数据库查询或事件存储服务。

python
from datetime import datetime, timezone


events = [
    {
        "player_id": "player-17",
        "event_type": "quest_completed",
        "entity_id": "quest-herb",
        "occurred_at": "2026-09-18T10:15:00Z",
        "memory_text": "玩家帮助 Mira 找回了月光药草。",
    },
    {
        "player_id": "player-17",
        "event_type": "trade_completed",
        "entity_id": "healing-potion",
        "occurred_at": "2026-09-20T12:00:00Z",
        "memory_text": "玩家从商人处购买过治疗药水。",
    },
    {
        "player_id": "player-88",
        "event_type": "quest_completed",
        "entity_id": "quest-herb",
        "occurred_at": "2026-09-19T09:00:00Z",
        "memory_text": "另一名玩家完成了月光药草任务。",
    },
]


def retrieve_memories(player_id: str, limit: int = 3) -> list[dict]:
    matched = [event for event in events if event["player_id"] == player_id]
    matched.sort(key=lambda event: event["occurred_at"], reverse=True)
    return matched[:limit]


def build_npc_context(player_id: str) -> str:
    memories = retrieve_memories(player_id)
    if not memories:
        return "没有找到与当前玩家相关的历史记忆。"

    lines = ["与当前玩家有关的已知事实:"]
    for memory in memories:
        lines.append(f'- {memory["memory_text"]}')
    return "\n".join(lines)


context = build_npc_context("player-17")
print(context)

预期输出

text
与当前玩家有关的已知事实:
- 玩家从商人处购买过治疗药水。
- 玩家帮助 Mira 找回了月光药草。

这个例子故意先按 player_id 过滤,再按时间取最近记录。真实项目还可以加入 NPC、地点、任务状态、事件类型等条件,例如 Mira 的对话只检索与 Mira 或其任务链相关的记忆,而不是把玩家所有历史都送给模型。

检索时不要把所有历史都塞进去

记忆系统最常见的问题不是“没有记忆”,而是“记得太多”。把玩家数百条事件全部放入提示词会增加成本、噪声和误引用概率,也会让 NPC 在当前对话中提到完全无关的旧行为。

因此检索条件至少应包含玩家身份和当前交互场景,再根据时间、实体关系和事件类型做进一步筛选。对话中正在讨论某个任务时,任务相关记录通常比三个月前的一笔无关交易更重要。

还要区分“事实记忆”和“推测记忆”。例如“玩家完成了任务”是游戏状态可以直接证明的事实;“玩家很喜欢这个 NPC”则可能只是模型推断。前者可以直接作为上下文,后者应谨慎使用,最好标记为低置信度或不进入关键决策。

让 NPC 的引用可验证

NPC 回复中如果提到历史事件,最好仍然能追溯到一条具体记忆。例如模型说“上次你帮我找到了药草”,系统应能指出对应的 event_type=quest_completed 和 entity_id=quest-herb,这样测试人员可以验证它不是模型臆造的往事。

在工程上,可以把检索结果作为受控上下文传给模型,并要求模型只引用提供的记忆。对于任务完成、交易金额、奖励状态等关键事实,则不应让模型自行决定,而应由游戏逻辑查询当前状态后再展示。

当“事件记录→记忆检索→提示词上下文”这条链路稳定后,NPC 才会表现出持续一致的记忆感。下一步的重点不是继续堆更多历史,而是定义哪些事件值得记住、在什么场景优先检索,以及哪些事实必须始终由游戏状态系统说了算。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

让 NPC 记住玩家做过什么

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通