游戏 AI / 系统课时
控制物品地点与关系信息规模
控制物品地点与关系信息规模
把整张地图、全部背包物品和历史事件直接塞进 NPC 提示,会浪费 Token,还可能让角色说出不该知道的秘密。这里根据玩家所在区域、NPC 可知的持有物、阵营关系和近期事件筛选事实,再按相关度限额,形成紧凑且可回查的对话上下文。
学习目标
- 为地点、物品、阵营关系与事件分别设定进入条件。
- 实现先过滤再排序的最小上下文选择器。
- 区分演示用条数限制与生产环境的真实 Token 预算。
先判断哪些事实允许被 NPC 知道
裁剪不能只靠“相关度高”。一个尚未公开的密室钥匙即使与玩家问题有关,也不能因为优先级高而进入 NPC 上下文。进入条件由游戏服务根据权威状态计算,不能使用模型猜测或玩家自称的信息代替。
| 事实类别 | 本例进入条件 | 应排除的内容 |
|---|---|---|
| 地点 | 同区域,距离玩家不超过 30 米 | 其他区域的地点 |
| 物品 | 玩家持有,且 NPC 已知晓 | 隐藏或未公开的物品 |
| 阵营关系 | 属于当前 NPC 所在阵营 | 无关阵营的声望 |
| 最近事件 | 与当前 NPC 有关,发生于最近 180 秒 | 过期或其他角色的事件 |
30 米 和 180 秒 是本例的业务阈值,不是模型或引擎默认值。真实项目还要考虑视线遮挡、NPC 记忆、任务情报权限等条件:同区域、距离近,并不必然意味着 NPC 亲眼看见了某件事。
将四类候选事实统一裁剪
请求进入后先做权限和时效过滤,再去重、解决冲突,最后根据当前话题的优先级排序。这样即使隐藏钥匙的优先级高于所有其他信息,也不会越过可见性检查。每条保留 id,便于诊断到底是哪条事实进入提示。

排序只在“已允许进入”的集合内进行。涉及任务进度时,已确认的目标或道具事实通常比无关场景装饰更有用;涉及问路时,可以反过来提高附近地点的权重。优先级应由服务端规则计算,不应允许玩家在请求中直接提交 priority。
实现可运行的筛选器
下面用 Python 3.10+ 模拟一轮与北门守卫的对话。候选事实共 9 条,符合进入条件的有 5 条;为了便于核对,只发送其中优先级最高的 4 条。这里的限额是事实条数,不是 Token 数量。
scene = {"zoneId": "north", "npcId": "npc-warden-01",
"npcFactionId": "city-guard"}
facts = [
{"id": "loc-gate", "kind": "place", "zoneId": "north", "distanceM": 12, "priority": 80, "text": "北门距离玩家 12 米"},
{"id": "loc-well", "kind": "place", "zoneId": "north", "distanceM": 25, "priority": 30, "text": "水井距离玩家 25 米"},
{"id": "loc-harbor", "kind": "place", "zoneId": "harbor", "distanceM": 8, "priority": 90, "text": "码头距离玩家 8 米"},
{"id": "item-badge", "kind": "item", "owned": True, "knownToNpc": True, "priority": 100, "text": "玩家持有 2 枚哨兵徽章"},
{"id": "item-key", "kind": "item", "owned": True, "knownToNpc": False, "priority": 110, "text": "玩家持有密室钥匙"},
{"id": "rel-guard", "kind": "relation", "factionId": "city-guard", "priority": 90, "text": "城卫阵营对玩家的态度为中立"},
{"id": "rel-bandit", "kind": "relation", "factionId": "bandit", "priority": 90, "text": "盗匪阵营敌视玩家"},
{"id": "evt-talk", "kind": "event", "npcId": "npc-warden-01", "ageSec": 40, "priority": 70, "text": "玩家刚向守卫询问巡逻情况"},
{"id": "evt-old", "kind": "event", "npcId": "npc-warden-01", "ageSec": 900, "priority": 100, "text": "玩家此前询问过密室"},
]
def eligible(f):
kind = f["kind"]
if kind == "place":
return f["zoneId"] == scene["zoneId"] and f["distanceM"] <= 30
if kind == "item":
return f["owned"] and f["knownToNpc"]
if kind == "relation":
return f["factionId"] == scene["npcFactionId"]
if kind == "event":
return f["npcId"] == scene["npcId"] and f["ageSec"] <= 180
return False
# 先执行可见性过滤,不能让高优先级绕过权限。
valid = [f for f in facts if eligible(f)]
# 相同优先级按稳定 ID 排序,保证重复请求结果可复现。
selected = sorted(valid, key=lambda f: (-f["priority"], f["id"]))[:4]
for f in selected:
print(f'{f["id"]}: {f["text"]}')
print(f"候选={len(facts)},合格={len(valid)},发送={len(selected)}")预期输出:
item-badge: 玩家持有 2 枚哨兵徽章
rel-guard: 城卫阵营对玩家的态度为中立
loc-gate: 北门距离玩家 12 米
evt-talk: 玩家刚向守卫询问巡逻情况
候选=9,合格=5,发送=4item-key 虽然优先级为 110,但因 knownToNpc=False 被直接排除;loc-well 有效但优先级较低,因此在四条限额下被舍弃。这个行为比简单截取候选数组前四项更可靠。
处理冲突、重复与 Token 预算
生产实现要在过滤后按业务事实键去重,例如同一个地点的两条位置描述只保留最新权威版本。任务目标进度应以任务服务为准,背包数量以物品服务为准;两者不一致时要核对快照时点,不能让模型自行裁决。每条事实可附 source、revision 和过期时间,方便追查冲突与刷新缓存。
条数上限只能作为第一道保护。发送模型前还应使用该模型适配的 Token 计数器,对系统约束、聊天历史和已序列化事实整体计数。例如单轮输入预算为 1200 Token,固定约束占 350、保留历史占 450,最多给事实约 400;还要检查模型上下文容量并为输出预留空间。超额时先删低优先级的可选事实,不要硬截断 JSON,也不要删除必须用于回答当前问题的权威状态。
用边界场景检验裁剪结果
把玩家区域从 north 改成 harbor,原北门与水井事实应退出,而码头是否进入还要重新检查距离和可见性;把事件年龄改为 181 秒,应立即排除。再将 item-key 的优先级提高,确认它仍不能绕过 knownToNpc=False 的判断。
若请求时恰逢拾取物品、阵营声望变化或任务推进,应按服务端一致的快照版本重新构造候选集,不能混合新旧事实。实用的验收指标包括筛选前后事实数、真实输入 Token、过期事实命中数以及被阻止的敏感事实数;这些数值能直接暴露上下文浪费和知识越界。