AI-drama-pound：用AI重构剧本杀创作与体验的开源引擎
> AI-drama-pound：一个将大语言模型与剧本杀机制深度融合，支持自动生成剧本、动态推理和多人互动的开源创作与游玩框架。
## 一、项目定位：不只是“AI写剧本”，而是“AI驱动剧本杀”
在AI生成内容（AIGC）赛道拥挤的今天，绝大多数项目聚焦于“文本生成”——让AI写出小说、诗歌、营销文案。但剧本杀（Murder Mystery / Interactive Drama）有其独特的复杂性：它不仅是线性叙事，而是由**角色动机、线索链、时间线、玩家自由决策**共同构成的非线性交互系统。
POUND0423/AI-drama-pound（以下简称ADP）正是瞄准这一空白：它不仅仅用AI生成剧本文本，而是构建了一套**完整的剧本杀运行时**——AI既作为编剧（生成故事框架、人物小传、线索卡），又作为主持人（动态响应玩家行动、推进剧情、判定胜负），甚至可以作为NPC（扮演任意角色并保持性格一致性）。
项目GitHub Stars达493（截至撰写时），虽不算爆款，但社区活跃度与讨论深度表明其在垂直领域有真实需求。
## 二、解决的痛点：传统剧本杀的“三座大山”
1. **创作门槛极高**：一个合格的剧本杀需要数周乃至数月打磨，涉及逻辑闭环、伏笔回收、角色平衡性。ADP通过提示词工程与结构化输出，让创作者在数小时内产出可游玩的初稿。
2. **主持人数稀缺**：线下剧本杀高度依赖DM（主持人）的临场发挥，线上文字房则常因DM精力有限导致体验下降。ADP将DM角色完全AI化，实现7×24小时不间断主持。
3. **重复可玩性差**：传统剧本杀一旦玩家知道真凶，便失去价值。ADP支持动态剧情分支，每次游玩都会生成不同的线索分布与结局，极大延长了内容生命周期。
## 三、快速上手：从安装到第一个AI剧本
### 环境要求
- Python 3.9+（推荐3.11）
- 一个可用的LLM API（OpenAI兼容接口，如OpenAI、Claude、本地部署的vLLM等）
### 安装步骤
bash
git clone https://github.com/POUND0423/AI-drama-pound.git
cd AI-drama-pound
pip install -r requirements.txt
### 配置模型
编辑`config.yaml`，指定你的模型端点与密钥：
yaml
llm:
provider: "openai" # 或 "vllm" / "ollama"
base_url: "https://api.openai.com/v1"
api_key: "sk-xxx"
model: "gpt-4o"
temperature: 0.8
### 启动一个AI主持的剧本杀
bash
python run.py --mode host --scenario examples/murder_at_mansion.json
此时AI会扮演主持人，向玩家发送开场白，并等待玩家输入行动指令。
### 代码示例：自定义一个简单场景
在`scenarios/`目录下创建`my_scene.json`：
{
"title": "密室窃案",
"roles": [
{"name": "侦探", "description": "冷静理性，擅长推理"},
{"name": "嫌疑人A", "description": "紧张，隐瞒了关键事实"}
],
"initial_prompt": "你是侦探，接到报案来到一间密室。请描述现场环境，并开始调查。",
"win_condition": "找出真正的窃贼并找到赃物"
}
然后运行：
bash
python run.py --mode play --scenario my_scene.json
ADP会调用LLM，自动生成开场描述、分配角色、等待玩家轮流行动。
## 四、核心亮点深度解析
### 1. 动态剧情引擎（Dynamic Plot Engine）
这是ADP的灵魂。传统AI对话缺乏“状态管理”，而ADP内部维护了一个**剧情状态机**，包括：
- 当前场景节点
- 已揭示的线索列表
- 各角色对玩家的好感度/怀疑度
- 时间线进度
每次玩家行动，ADP会先更新状态机，再调用LLM生成符合当前状态的回复。这避免了AI“忘记”前文或产生逻辑矛盾。
### 2. 多角色一致性（Character Consistency Layer）
当AI同时扮演多个NPC时，很容易出现“角色串味”。ADP为每个角色维护独立的**人格档案**（包含性格、口癖、秘密、目标），并在每次生成时注入系统提示词中，强制LLM保持角色边界。实测中，即使连续对话50轮，角色语气依然稳定。
### 3. 线索与推理验证（Clue & Deduction Verifier）
这是最具技术含量的模块。ADP允许创作者在剧本中定义**逻辑规则**，例如：
- 线索A必须在玩家询问特定人物且好感度>50时才会出现
- 真凶只有在收集到至少3条关键线索后才能被指认
ADP通过规则引擎（基于Python的`lark`解析器）将自然语言规则编译为可执行逻辑，确保推理过程的公平性与可验证性。
### 4. 多模态扩展接口
虽然核心是文本，但ADP预留了图像、音频接口。例如可对接Stable Diffusion生成角色立绘，或接入TTS让AI主持人语音播报。这为未来VR/AR剧本杀提供了基础。
## 五、适用场景
- **剧本杀创作者**：快速生成初稿，测试逻辑漏洞，甚至用AI模拟玩家试玩。
- **线上互动娱乐平台**：如Discord机器人、网页版文字密室逃脱。
- **教育领域**：历史事件重演、法律案例模拟，让学生在互动中学习。
- **游戏开发**：作为独立游戏或大型游戏的支线任务生成器。
- **AI研究**：作为多智能体协作、长期对话一致性的测试床。
## 六、同类项目对比
| 项目 | 定位 | 与ADP的差异 |
|------|------|------------|
| **AI Dungeon** | 开放世界AI叙事 | 无剧本杀机制，无胜负判定，玩家自由度极高但缺乏结构性 |
| **Character.AI** | 角色扮演聊天 | 单一角色对话，无多角色协作与线索系统 |
| **Inworld AI** | 游戏NPC引擎 | 偏商业SDK，侧重语音与表情，剧本杀逻辑需自行搭建 |
| **LangChain 的 Agent框架** | 通用Agent | 需自己构建状态机与规则，ADP开箱即用且针对剧本杀优化 |
ADP的最大优势在于**领域专精**：它不试图做通用AI，而是将剧本杀的“规则性”与LLM的“生成性”结合得恰到好处。
## 七、局限性思考
1. **依赖LLM质量**：在弱模型（如7B本地模型）上，逻辑推理能力明显下降，容易产生“伪线索”或“自相矛盾”。
2. **规则编写门槛**：虽然比纯代码简单，但创作者仍需学习其DSL（领域特定语言）来定义复杂逻辑规则。
3. **长程记忆成本**：当剧情超过100轮，token消耗剧增，需配合向量数据库或摘要压缩，目前项目尚未内置该优化。
## 八、未来展望
项目在README中透露了路线图：
- 支持多人异步游玩（非实时，类似跑团论坛）
- 提供可视化剧情编辑器（拖拽式节点图）
- 集成LangSmith等可观测性工具，便于调试提示词
## 九、结语
AI-drama-pound不是又一个“AI写故事”的玩具，而是一个**严肃的交互式叙事框架**。它把剧本杀的“游戏性”拆解为可计算的组件，再用LLM赋予其血肉。对于任何想在AI时代探索互动叙事边界的人，这是一个值得深入研究的开源宝藏。
项目地址：https://github.com/POUND0423/AI-drama-pound