تصور کنید با باسی روبه‌رو هستید که به‌جای تکرار سه جمله کلیشه‌ای، دقیقاً به‌خاطر این مسخره‌تان می‌کند که ۱۰ حمله متوالی او را جاخالی داده‌اید. این تغییر، تعامل با شخصیت‌های غیربازیکن (NPC) را از الگوهای پیش‌بینی‌پذیر به گفتگوهایی پویا تبدیل می‌کند که مستقیماً از مهارت و وضعیت بازیکن تغذیه می‌شوند.
به نقل از یک توسعه‌دهنده روبلاکس (Roblox) در ۲۹ اوت ۲۰۲۶، اکنون می‌توان دیالوگ‌های اسکریپت‌شده را با جملات تولیدشده توسط هوش مصنوعی زاینده (Generative AI) — شبیه نویسنده‌ای که لحظه‌به‌لحظه اتفاقات صحنه را می‌بیند و دیالوگ می‌نویسد — جایگزین کرد. در این روش، به‌جای استفاده از درخت‌های دیالوگ ایستا، وضعیت فعلی بازی در لحظه اجرا به یک پرامپت کوتاه تبدیل می‌شود.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی عامل‌های هوش مصنوعی اشاره کردیم، کلید موفقیت این سیستم در تبدیل داده‌های خام به بستر متنی است. طبق گزارش منتشرشده در dev.to، این سازوکار با فرمت‌بندی یک رشته متنی از وضعیت محلی (شامل میزان سلامت بازیکن، نوع سلاح و تعداد جاخالی‌ها) و ارسال آن به یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — همراه با دستورالعمل‌های شخصیتی عمل می‌کند. این رویکرد یادآور ترکیب تحلیل‌های ایستا و مدل‌های زبانی است که برای شناسایی دقیق‌تر الگوهای منطقی در کدها به کار می‌رود.
برای اینکه این سیستم از نظر هزینه و سرعت بهینه بماند، نویسنده سه حفاظ (Guardrails) مشخص را توصیه می‌کند:
- گرد کردن وضعیت (State Rounding): ذخیره‌سازی پاسخ‌ها از طریق گرد کردن اعداد وضعیت بازی، تا موقعیت‌های مشابه از همان جمله قبلی استفاده کنند.
- محدودیت نرخ (Rate-Limiting): اعمال سقف تعداد درخواست برای هر بازیکن تا از افزایش هزینه‌های API توسط کاربران مزاحم جلوگیری شود.
- فیلتر خروجی (Output Filtering): نظارت بر پاسخ‌های هوش مصنوعی پیش از نمایش در دنیای بازی.
در بحث کنترل خروجی‌ها، استفاده از GuardRail در برابر فیلترهای متنی ساده می‌تواند لایه‌ی امنیتی سخت‌گیرانه‌تری برای جلوگیری از رفتارهای غیرمنتظره‌ی عامل‌های هوش مصنوعی ایجاد کند.
برای توسعه‌دهندگانی که نمی‌خواهند این حفاظ‌ها را از صفر بسازند، کیت متن‌باز Cortex قابلیت‌های داخلی برای ذخیره‌سازی، نظارت و محدودیت بازیکن را فراهم کرده است. این ابزار سد ورود برای سازندگان مستقل را می‌شکند تا بدون ریسک بودجه API، شخصیت‌های مبتنی بر LLM را پیاده‌سازی کنند. برای مدیریت بهینه‌تر حافظه در چنین سیستم‌های پویا، راهکارهایی نظیر استفاده از ماشین‌های لینوکس اختصاصی برای حذف وقفه در پاسخ‌دهی عامل‌ها پیشنهاد شده است.
این رویکرد فرض بنیادی طراحی NPC را تغییر می‌دهد و وضعیت بازی را به‌عنوان یک پرامپت می‌بیند. در واقع صنعت از منطق «اگر-آنگاه» (if-then) به سمت یک مدل احتمالی حرکت می‌کند که در آن شخصیت دشمن از دل بستر نبرد بیرون می‌آید.
گام بعدی شما
- کیت Cortex را از گیت‌هاب دریافت کنید تا اثر دیالوگ‌های پویا را روی نرخ تعامل بازیکنان در محیط‌های خود بسنجید.
- برای کاهش هزینه‌ها، ابتدا لیست وضعیت‌های رایج بازی خود را شناسایی و برای آن‌ها پاسخ‌های کش‌شده (Cached) تعریف کنید.
- روی تعریف «شخصیت» (Persona) در پرامپت سیستمی تمرکز کنید تا دشمنان شما لحنی متمایز داشته باشند.
اما داستان سخت‌افزاری اجرای این مدل‌ها در محیط‌های بازی حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی رایانش لبه مراجعه کنید.
گفتگو