
实现了个ChatGPT趋动的游戏,玩得乐此不疲 精华
今天给大家带来一篇《简单实现一个ChatGPT驱动的游戏》文章,来自知乎@九号(已授权)。
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。
0.让LLM驱动游戏能够解决什么问题?
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。
1.具体点,将LLM用在游戏里需要几步?
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)
2. 让LLM理解游戏世界与环境
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:
完整地图
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!
3. 让LLM驱动NPC
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。
人格驱使角色提供定制的对话
有时候的对话甚至会自带旁白
实现NPC与玩家的互动 - 对话:
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。
- 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)
- currentState
当前的游戏时间,角色所在的位置等。
实现NPC与玩家的互动 - 动作:
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。
这里ChatGPT让牛魔王带领孙悟空前往下一地点
实现NPC的记忆 - 让NPC记住和玩家的所有互动对话:
- 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):
- 把本次对话重点加入历史对话:
在之前发生剧情之后,牛魔王根据记忆选择用「真经」来发起对话
与NPC的道具互动
问八戒要点饼子吃
避免NPC/玩家搞花活导致产生风险内容
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!
想打听私人信息,门都没有!
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。
总结
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。
本文转载自 NLP工作站,作者: 李雨承
