用 LLM 打造 AI 地城主：多人 TRPG 遊戲引擎的架構設計

專案動機

桌遊（TRPG）最大的門檻是「找到一個好的 DM（地城主）」。一個好的 DM 需要即興反應能力、對規則的深入理解、以及創造沉浸感的說故事技巧。

如果 LLM 能扮演 DM 的角色呢？

這個專案的目標是打造一套完整的 AI 驅動 TRPG 遊戲引擎。玩家透過類終端機的 Web 介面進行遊戲，AI 負責：NPC 對話、場景描述、行動判定、戰鬥旁白、甚至整個劇本世界的自動生成。

系統全貌

[Next.js Frontend] ←WebSocket→ [NestJS Backend]
       │                              │
       │                     ┌────────┼────────┐
       │                     │        │        │
       │                     ▼        ▼        ▼
       │               [PostgreSQL] [Redis] [Ollama/LLM]
       │                 + pgvector
       │
  CLI 風格 UI
  打字機效果
  骰子動畫

技術棧

| 層級 | 技術 | |------|------| | Monorepo | pnpm workspaces + Turborepo | | Frontend | Next.js 14 (App Router) | | Backend | NestJS (TypeScript) | | Database | PostgreSQL + pgvector | | Cache/PubSub | Redis | | WebSocket | Socket.IO | | LLM | Ollama (qwen2.5:7b-instruct) | | ORM | Drizzle ORM | | Auth | JWT + Google OAuth |

LLM 整合：五個關鍵系統

LLM 不是一個簡單的「生成文字」功能，而是深入到遊戲的多個核心系統中。

1. NPC 對話與人格

每個 NPC 有結構化的人格定義：

interface NpcPersonality {
  traits: string[];          // 性格特點
  speaking_style: string;    // 說話風格
  background: string;        // 背景故事
  knowledge: string[];       // 知道的事情
  restrictions: string[];    // 不會透露的祕密
}

對話時，系統將人格轉換成中文 system prompt，注入記憶和場景上下文：

function buildNpcConversationPrompt(npc: Npc, memories: Memory[], playerName: string) {
  return `你是「${npc.name}」，${npc.personality.background}

性格特點：${npc.personality.traits.join('、')}
說話風格：${npc.personality.speaking_style}

你記得的事情：
${memories.map(m => `- ${m.content}`).join('\n')}

限制：你絕對不會主動提及以下資訊：
${npc.personality.restrictions.join('\n')}

現在「${playerName}」正在跟你說話。請以角色的身份回應。`;
}

2. NPC 語意記憶（pgvector）

NPC 不只是「每次對話都從零開始」。他們有持久記憶——而且是語意搜索的記憶。

當一段對話結束，系統會：

1. 用 LLM 生成 768 維的 embedding vector
2. 存入 npc_memories 表（帶有 importance 權重 1-10）

下次對話時，用玩家的當前語句做語意搜索：

SELECT content, importance,
  1 - (embedding <=> $queryVec::vector) AS similarity
FROM npc_memories
WHERE npc_id = $npcId
  AND embedding_status = 'completed'
  AND 1 - (embedding <=> $queryVec::vector) >= 0.7
ORDER BY similarity * (importance::float / 10.0) DESC
LIMIT 5

排序公式是 similarity × importance——確保重要記憶（如「玩家曾經救過我的命」）不會被瑣碎但語意相似的記憶蓋過。

為什麼用 pgvector 而不是 Pinecone/Qdrant？

• 不需要額外的服務（已經有 PostgreSQL）
• NPC 記憶的規模不大（幾千條而非幾百萬條）
• Drizzle ORM 用 customType 就能支援

3. 雙層行動驗證引擎

玩家在遊戲中可以嘗試做任何事情。系統需要判斷「這個行動在這個世界中是否合理」。

第一層：規則引擎（快速、確定性）

function validateByRules(action: string, worldRules: WorldRules): ValidationResult {
  // 關鍵字檢查：中世紀世界不能用手機
  if (worldRules.era === 'medieval' && containsModernTech(action)) {
    return { valid: false, reason: '這個世界沒有這種科技' };
  }

  // 物理規則：沒有飛行能力不能飛
  if (isFlightAction(action) && !playerHasFlightAbility()) {
    return { valid: false, reason: '你沒有飛行的能力' };
  }

  // 簡單移動：直接通過
  if (isSimpleMovement(action)) {
    return { valid: true, determined: true };
  }

  // 無法確定 → 交給 LLM
  return { determined: false };
}

第二層：LLM 判定（複雜情境）

規則引擎無法判斷時（例如「我嘗試用巧言說服守衛放我進去」），送給 LLM 判斷：

const llmPrompt = `世界設定：${worldSetting}
物理規則：${physicsRules}
魔法系統：${magicSystem}
玩家狀態：位於${location}，擁有${inventory}

玩家嘗試的行動：${action}

請判斷這個行動是否合理，回傳 JSON：
{ "valid": bool, "result": "行動的結果描述", "reason": "判斷理由", "side_effects": [] }`;

雙層設計的好處：

• 簡單情況不浪費 LLM 算力（規則引擎毫秒級回應）
• 複雜情況才動用 LLM（保持靈活性）
• LLM 失敗時 fallback 為「允許但警告」（遊戲不會卡住）

4. 劇本世界自動生成

最強大的功能：輸入一個劇本概念，LLM 自動生成整個可玩的世界。

生成是鏈式的——每一步都參考前面的結果：

Locations → NPCs → Items → Quests
    │          │       │
    │          ▼       │
    │     (放在哪個地點)│
    │                  ▼
    └─────────────(出現在哪裡)

async runGeneration(scenario: Scenario) {
  // Step 1: 生成地點
  const locations = await this.generateWithLlm(
    buildLocationsPrompt(scenario)
  );

  // Step 2: 生成 NPC（知道有哪些地點）
  const npcs = await this.generateWithLlm(
    buildNpcsPrompt(scenario, { generatedLocations: locations })
  );

  // Step 3: 生成物品
  const items = await this.generateWithLlm(
    buildItemsPrompt(scenario, { generatedLocations: locations })
  );

  // Step 4: 生成任務（知道地點和 NPC）
  const quests = await this.generateWithLlm(
    buildQuestsPrompt(scenario, {
      generatedLocations: locations,
      generatedNpcs: npcs,
    })
  );
}

用 JSON Schema 約束 LLM 輸出格式 + Zod 後驗證，確保結果結構正確。失敗則以 temperature=0.3 重試一次。

5. LLM 並發控制

多人同時遊戲時，LLM 請求可能瞬間暴增。用 Semaphore + Priority Queue 控制：

class LlmService {
  private semaphore = new Semaphore(MAX_CONCURRENCY); // 預設 3
  private queue = new PriorityQueue();

  async complete(prompt: string, priority: 'high' | 'low') {
    if (priority === 'low' && this.queue.isFull()) {
      return null; // 低優先級在佇列滿時直接丟棄
    }

    await this.semaphore.acquire(priority);
    try {
      return await this.callLlm(prompt);
    } finally {
      this.semaphore.release();
    }
  }
}

優先級設計：

• high：玩家即時操作（NPC 對話、行動判定）→ 一定要排到
• low：背景任務（embedding 計算、劇本生成）→ 佇列滿就丟棄

這確保了玩家體驗不會因為背景任務而卡頓。

遊戲系統支援

系統不只支援 D&D，而是一個通用的 TRPG 引擎：

• D&D 5e：六大屬性、技能檢定、HP/AC/先攻
• 克蘇魯的呼喚 7e：SAN 值、理智檢定、暫時/永久瘋狂

角色創建是一個 6 步驟的精靈介面：遊戲系統 → 基本資料 → 種族/職業 → 屬性點數 → 技能分配 → 確認。

前端：CLI 風格的沉浸體驗

整個遊戲介面模擬終端機風格：

• 打字機效果：AI 的回應逐字顯示，模擬 DM 說話
• 命令輸入框：玩家輸入行動（不是選擇題）
• 骰子動畫：技能檢定時顯示擲骰結果
• 經驗值進度條：角色成長視覺化
• ASCII Art 標題：增加復古感

多人即時互動

透過 Socket.IO 實現多人同世界互動：

• 玩家加入同一個 world instance
• 一個玩家的行動結果會廣播給其他玩家
• NPC 的回應所有人都看得到
• 戰鬥時按先攻順序輪流行動

學到的經驗

LLM 輸出的不確定性是最大挑戰

即使用 JSON Schema 約束，LLM 偶爾還是會輸出無法解析的結果。必須在每一層都做 fallback：

• 格式錯誤 → 重試一次（低 temperature）
• 重試失敗 → graceful degradation（預設行為）
• 永遠不讓遊戲卡在「LLM 失敗」上

7B 模型的能力邊界

Qwen 2.5:7b 能處理大多數簡單的 NPC 對話和行動判定，但在複雜的劇本生成和多步推理上偶爾會出問題。未來可能需要：

• 簡單任務用 7B
• 複雜任務（劇本生成）用更大的模型或雲端 API

pgvector 的實用性

對於「每個 NPC 幾百條記憶」這個規模，pgvector 完全夠用。不需要專門的向量資料庫。但 Drizzle ORM 不原生支援 vector 型別，需要用 customType 手動處理序列化。

結語

這個專案展示了 LLM 在遊戲領域的一個有趣應用：不是用 AI「取代」人類 DM，而是讓更多人能在沒有 DM 的情況下也能享受 TRPG 的樂趣。

技術上最有價值的模式是「雙層驗證」（規則引擎 + LLM fallback）和「語意記憶」（pgvector embedding + importance 加權）。這兩個模式在 TRPG 之外的場景也有廣泛的應用價值——任何需要「在規則框架內做創造性判斷」的系統都可以參考。