游戏新范式 – 如何利用智能体玩转“狼人杀“
内容提要
本文介绍了使用智能体技术构建《狼人杀》游戏服务器端，通过大模型和智能体流程设计实现高质量游戏体验。讨论了热门的GenAI技术，如LLM Tuning和提示词工程，以及游戏规则设定、智能体设计模式和模型选择。最后提到了游戏复盘、模型问题和服务器架构等相关考虑。
延伸解读
智能体设计模式在游戏中的落地
文章采用吴恩达提出的智能体四种设计模式（反思、工具使用、规划和多智能体协作），在《狼人杀》中具体化为Reflection架构，包含Actor、Evaluator和Self-Reflection三个模块。每次决策至少调用三次LLM，分别负责生成动作、评估质量和反思优化，从而提升输出可靠性。这种流程设计体现了“多次提示逐步构建高质量输出”的思路，而非让LLM直接生成最终结果。
多模型协作的成本与效果平衡
游戏选择Claude 3 Sonnet作为核心引擎，负责玩家发言等高质量生成任务；同时使用LLaMa 8B进行行为评估打分，Mistral 8B负责内容总结。这种多模型分工既降低了对高成本模型的调用频次，也避免了单一模型的偏差。文章指出，对于目标明确且不复杂的任务，小参数量模型也能胜任，这为类似应用提供了性价比参考。
消息系统与记忆管理的关键作用
《狼人杀》游戏由消息驱动，智能体通过观察环境变化（如狼人伪装、预言家查验）进行决策。文章实现了点对点、多播和广播三种消息传递机制，以区分不同角色的信息可见性（如狼人共享、预言家独享）。记忆管理采用窗口大小限制（如过去20轮）和压缩过程，避免上下文过长导致遗忘，这借鉴了生成式智能体的记忆流和反思机制。
当前局限与未来优化方向
文章指出，尽管LLM能力增强，但角色表现力和游戏沉浸感仍是短板，仅靠提示工程无法根治幻觉和“AI味”问题，需借助微调优化。此外，游戏复盘需额外LLM提取关键信息，服务器架构采用应用层（EC2、DynamoDB、S3）和模型层（Bedrock）分离设计。作者认为，LLM在游戏智能NPC的探索将越来越多，但表现力还依赖画面、声音等多维度工程。
Q&A
如何利用智能体技术提升《狼人杀》的游戏体验？
通过构建智能体服务器端，利用大模型和智能体流程设计，可以提升游戏的互动性和策略性，增强玩家体验。
《狼人杀》中智能体的设计模式有哪些？
智能体的设计模式包括反思、工具使用、规划和多智能体协作。
在《狼人杀》中，如何确保LLM对角色的认知一致性？
通过游戏规则设定和提示词工程，帮助LLM理解不同角色的设定和功能，从而保持认知一致性。
GenAI技术在《狼人杀》中的应用有哪些？
GenAI技术包括提示词工程、检索式增强、微调和预训练等，帮助提升LLM的输出质量和游戏理解。
选择Claude 3作为《狼人杀》的核心引擎的原因是什么？
Claude 3在多项AI评估测试中表现优异，能够提供高质量的生成内容和快速响应，适合游戏需求。
《狼人杀》的服务器架构是怎样的？
服务器架构包括应用层和模型层，应用层负责游戏进程和日志记录，模型层统一调用AWS模型商店。
