Как LLM управляет персонажем RPG: наивная реализация

Разработчик решил проверить, можно ли использовать большую языковую модель (LLM) для управления персонажем в собственной RPG. Раньше он относился к этой идее скептически, но появление бесплатного API-доступа к моделям вроде Gemini от Google изменило ситуацию.

Как LLM управляет персонажем RPG: наивная реализация
Как LLM управляет персонажем RPG: наивная реализация

Главное

  • LLM управляет персонажем, совершая действия, а не только ведя диалоги
  • Архитектура на трёх потоках: парсинг, запросы к LLM, ретрансляция
  • Лимиты API требуют ограничения частоты запросов и смены модели
  • Память о дефиците ресурсов повышает адекватность действий модели
  • JSON-схема ответа упрощает интеграцию LLM в игровой цикл

Разработчик решил проверить, можно ли использовать большую языковую модель (LLM) для управления персонажем в собственной RPG. Раньше он относился к этой идее скептически, но появление бесплатного API-доступа к моделям вроде Gemini от Google изменило ситуацию. В отличие от популярных модов, где нейросеть лишь ведёт диалоги, здесь LLM совершает действия: выбирает, куда идти, что крафтить и как взаимодействовать с миром.

Технически проект построен на трёх потоках: первый получает и парсит данные с игрового сервера, второй отправляет запросы в LLM и получает ответы, третий ретранслирует состояние игры браузерному клиенту. Главная проблема — скорость: LLM отвечает дольше, чем длится игровой шаг, поэтому модель пропускает часть событий. Чтобы не превысить лимиты API, запросы отправляются не чаще одного раза в 4 секунды, а после 500 запросов в день модель переключается.

Промпт формируется динамически: в него включаются наблюдения персонажа, инвентарь, доступные действия и цель. Ответ модели ожидается в строгом JSON-формате, что упрощает парсинг. Для памяти добавлены специальные механизмы: запоминаются важные объекты, события и дефицит ресурсов. Например, если персонаж пытался использовать уголь, но его не оказалось, модель запоминает это и не повторяет бесполезное действие.

Эксперимент показал, что LLM способна управлять персонажем, но требует доработки: модель часто ошибается с инвентарём и нуждается в постоянной фильтрации действий. Тем не менее, это перспективный подход, который может лечь в основу более продвинутых игровых агентов.