项目背景
我们为一款复杂的4X策略游戏开发内置“帮助精灵”。目标是让玩家能以自然语言（如“为什么我的幸福度在下降？”）提问，并获得一个结合了实时游戏局势的、具体可操作的答案，而非泛泛的说明书摘要。
技术选型与核心挑战
-
选型依据：云端LLM API在理解复杂语境和生成连贯建议方面优势显著。我们最终选择了六行神算大模型平台，主要基于其对中文场景的优化、稳定的响应速度及具有竞争力的成本。
-
核心挑战：
- 知识精准性：回答必须严格基于游戏自身规则，杜绝“幻觉”。
- 上下文关联：建议必须结合玩家当前的种族、科技、资源、外交等实时状态。
- 回答结构化：输出需要被游戏客户端解析并高亮相关UI，不能是自由文本。
系统设计：RAG与工具调用的融合架构
我们采用了检索增强生成（RAG）与工具调用（Function Calling）相结合的模式，将LLM的开放域能力约束到游戏特定领域。
一、上下文构建（RAG部分）
- 知识库准备：将游戏官方手册、更新日志、平衡性设计文档等进行文本切分和向量化，构建内部知识向量库。
- 实时状态检索与注入：当玩家提问时，系统执行以下步骤：
a. 状态摘要提取：从游戏运行时内存中，提取一组关键状态参数（如时代、资源库存、邻国关系、幸福度数值变化曲线等），并将其转化为一段简洁的文本摘要。
b. 相关知识检索：将玩家原始问题与实时状态摘要拼接，在向量知识库中进行语义检索，召回最相关的若干条游戏规则片段。
c. 提示词合成：最终发送给LLM的提示词，由以下部分按序构成：系统指令（定义助手角色）、检索到的游戏规则片段、玩家的实时状态摘要、玩家的原始问题。这确保了AI的回答基于事实和当前局势。
二、结构化输出与安全边界（工具调用部分）
为避免LLM自由发挥，我们为其定义了一套可执行的“工具”或“动作指令集”。每个工具都有严格的名称、描述和参数规范，参数格式定义了游戏内存在的具体实体或数值。
在系统指令中，我们明确要求LLM：必须根据对问题和上下文的分析，从预定义的工具列表中选择最合适的一个，并严格按照该工具要求的参数格式，输出一个结构化的JSON对象。
例如，对于幸福度问题，LLM应当调用“分析资源问题”工具，并输出类似以下的JSON结构，明确指出问题类型、可能原因及建议的具体建筑名称。我们的游戏客户端在收到这个结构化输出后，便能精准地在城市管理界面中高亮“娱乐综合体”建造按钮，并附上AI生成的解释文本。
三、与“六行神算”API交互的优化实践
- 提示词工程迭代：系统提示词的定义是成功关键。我们将其角色精确定义为“专业且简洁的策略游戏顾问”，并规定了“先分析后建议”的思考链。通过大量测试对话持续迭代提示词。
- 流式响应优化体验：利用API的流式输出能力，让帮助文本以逐字打印的效果呈现，提升了交互的即时感和科技感。
- 反馈闭环数据迭代：记录玩家的每一次提问以及后续的游戏操作（如是否采纳了建议），形成反馈数据。针对那些未被采纳的建议进行分析，用以优化提示词、工具定义或知识库内容。
效果与反思
该功能上线后，新手玩家的任务完成率和留存率均有显著提升。最重要的经验是：通过RAG提供精准知识，通过工具调用约束输出格式，是让LLM在专业领域可靠工作的有效范式。六行神算平台的稳定性为服务的可用性提供了保障。
下一步，我们计划让助手更具“主动性”，尝试在系统预测玩家可能陷入困境时（如资源严重配置错误），主动推送提示。LLM在游戏中的应用，正在从技术演示走向切实提升用户体验与商业价值的深耕阶段。
