今年四月份读了斯坦福Generative Agent的论文，觉得特别好玩，花几天时间实现了这个demo。后来拿着这个demo去参加hackathon，竟然拿了二等奖还帮我赢了1300多刀。
最近提到这个demo，同事表示很有兴趣，于是仔细整理了一下，分享给大家。
代码留在文章最后。
游戏界有一种说法：过去20年的游戏在核心玩法上的创新是缓慢的，绝大多数的创新发生在技术上。
开发者在游戏内提供更大的地图，更精致的画面，庞大的细节。其中的主要目的之一是为玩家提供「沉浸感」。当玩家在游戏世界里得到自己所期望的反馈时，会获得庞大的满足感。
然而，由于技术的限制，过去的创新并没有涉足游戏的一个核心方面：世界与NPC的运行逻辑。
当玩家与世界和NPC的互动超出了规则设定的范畴时，玩家将无法获得反馈，从而产生巨大的落差。游戏界成这种体验为Breaking Immersion。
过去的开发者使出了千方百计来避免玩家产生违和感。
以荒野大镖客2为例，由于R星将immersive作为其开发的首要原则，导致其花费了8年时间，为游戏世界添加了无数的逻辑与细节，整个开发花费近5.4亿刀，可见其难度与成本。
大模型的普及可能改变这一现状
大模型可以为游戏世界的运行与NPC的行为提供逻辑，帮助游戏理解玩家的行为，让游戏世界在可信的状态下稳定运行。由此从根本上提升玩家的沉浸感。
我们把LLM在游戏中的应用分为两部分：
- World：与游戏环境的交互
- Agent：与NPC的交互
具体来说：
World中包含：
- 游戏的世界观
- 地图上具体的地点
Agent则包括：
- Persona：人物性格
- Memory：NPC记忆
- Planning：决定NPC将要采取哪些动作(Action)
为了让ChatGPT理解我们游戏的世界观，我们引入一段Prompt：
为了让NPC和玩家得以与地图上的地点/物品互动，我们需要提供所有物品与地点的描述：
上述Prompts为地图的每个块都提供了文字描述，从而得以让ChatGPT理解地图上的每个地点：
具体的实现里，我们实际上需要为所有的游戏贴图都提供一段文字描述！
首先，我们要让LLM知道他现在正在扮演一个NPC：
接下来，我们设计一系列NPC：
每个NPC的核心在于：
- 其独特的人格 – 我们引入了一系列属性来定制其人格：description，personal history，personal knowledge，年龄，星座等等。
- 一系列可以与玩家交互的属性/道具：钱，道具(items)。
- 记忆：我们在这就用每个NPC的对话记录作为其所有的记忆。当然还可以把NPC之前的所有action也加入记忆。
Agent 智能体
为了让ChatGPT给出定制的对话，我们需要提供的包括：
也就是：general – 世界观，personal – NPC的人格和记忆，current – 当前的游戏进度。
- generalContent：
告知ChatGPT本次调用的任务，世界观背景等。
2. personalContent
提供了NPC的个人信息和人格（例如年龄，历史，知识），与NPC的记忆（storySoFar）
3. currentState
当前的游戏时间，角色所在的位置等。
我们为NPC提供一系列可选择的工作，ChatGPT将决定NPC的下一步行动。这里的prompt同样包含了位置，时间，对话历史等信息，但为了简洁暂略去。
- 每次NPC与玩家对话后，ChatGPT将生成本次对话的重点（也就是摘要）：
2. 把本次对话重点加入历史对话：
这里我们让ChatGPT来判断玩家/NPC的回复是否特别离谱，如果特别离谱则应拒绝正经回答！
其他还有很多细节，很难在这里展示所有的feature，欢迎查看代码。
以上。本人对LLM在游戏中的使用十分乐观，这么简单的demo我乐此不疲的玩了很久。
从技术上来说，这个demo整体的框架还算比较完整，很适合在此基础上删删改改，实验各种agent的方法和prompt等。
此外由于demo是用react实现，这里推荐大家观看2小时的react入门视频，从而无缝上手。
完整的代码参见：
补充：生成式Agent在实用中有个问题，其每次调用都需要提供大量的prompt，从而带来很高的token开销。这里其实需要应用一种prompt的压缩办法来减少开销。如果有条件微调模型，微调后的压缩效率将会更高。
Prompt压缩：
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/277397.html原文链接：https://javaforall.net
