# 從 AI NPC 到 AI 原生世界 ## ——AI 原生社會遊戲的研究方法與判定框架 **作者：** Neo.K **機構：** EveMissLab／一言諾科技有限公司 **日期：** 2026-10-07（整理日期；原稿未標註日期） **版本：** 原稿未標註（本次整理版） ### 摘要 大型語言模型進入遊戲之後，「AI NPC」很快成為一個容易被混用的概念。 只要角色可以使用大型語言模型生成對話，人們便可能稱其為 AI NPC；如果角色具有記憶、個性與自主行動，又可能進一步被稱為「生成式 Agent」；當數十名 Agent 同時存在於持續運作的世界中，人們又容易將其描述為「AI 社會」或「AI 原生遊戲」。 然而，這些系統在結構上可能存在根本差異。 一個能夠自由聊天的 NPC，未必能真正影響世界。 一個能夠自主決策的 Agent，未必受到世界規則約束。 一群具有記憶的 Agent，未必能形成持續演化的社會。 一個每天都會產生事件的小鎮，也未必會因此形成歷史。 因此，本系列提出一套分析 AI 原生遊戲的結構性方法，並以 `my_ai_town` 作為主要實證案例，研究一個生成式 Agent 系統如何逐步跨越下列邊界： \[ \text{LLM NPC} \rightarrow \text{Generative Agent} \rightarrow \text{Persistent Simulation} \rightarrow \text{Agent Society} \rightarrow \text{AI-Native Game World} \rightarrow \text{Open-ended Evolving World} \] 本研究的目的不是評判單一遊戲「好不好玩」，也不是為特定專案提供功能清單，而是尋找： > **一個由 AI Agent 居住的遊戲世界，要具備哪些最小結構，才會從生成內容的系統，轉變為能產生因果、歷史、制度與長期分化的世界？** --- # 1. 問題不再是「NPC 會不會說話」 第一代 LLM 遊戲實驗經常將問題定義為： > 能不能讓 NPC 自由說話？ 這個問題本身並沒有錯。 但它只觸及： \[ \text{Language Generation} \] 而不是： \[ \text{World Participation}. \] 假設一名 NPC 說： > 「我現在要去市場買花。」 如果這句話本身就被視為已經發生，那麼大型語言模型同時成為： - 敘事者； - 世界規則； - 狀態修改器； - 行動裁判。 這會產生一個根本問題： \[ \text{Model Claim} = \text{World Truth}. \] 只要模型說了，世界就得接受。 這種系統可以非常有趣，卻仍然更接近互動敘事生成器，而不是具有獨立存在性的模擬世界。 在較成熟的 Agent-World 架構中，兩者必須分離： \[ \boxed{ \text{Agent Intent} \neq \text{World Truth} } \] 例如 `my_ai_town` 的 Agent 並不是直接修改世界，而是接收由 World 投影出的 wake packet，其中包含當前時間、天氣、身體狀態、附近居民、所在地點、工作任務、生活目的地、公告、Social Matter、衝突與醫療狀態等；Agent 隨後只能提交意圖，再由 World 驗證與執行。 這形成： \[ World \rightarrow Observation \rightarrow Agent \rightarrow Intent \rightarrow Validation \rightarrow World'. \] 因此，本系列第一項核心判準是： ## **World Authority Principle** > **大型語言模型可以決定角色想做什麼，但不能單方面決定世界實際發生了什麼。** 這是從「聊天 NPC」跨向「AI 世界居民」的第一道結構邊界。 --- # 2. AI 原生世界的四個基本層 為了避免把不同系統混為一談，本系列首先區分四個基礎層： \[ \boxed{ Simulation + Interaction + Persistence + Dynamics } \] ## 2.1 Simulation Simulation 指世界存在獨立狀態。 例如： - 時間； - 天氣； - 位置； - 身體需求； - 職業； - 工作任務； - 庫存； - 傷病； - 服務狀態； - 社會事項。 這些狀態不能只存在 Prompt 裡。 它們必須由 World Runtime 持有： \[ W_t. \] --- ## 2.2 Interaction Agent 必須能透過合法行動改變： \[ W_t\rightarrow W_{t+1}. \] 例如： - 移動； - 工作； - 對話； - 幫助； - 拒絕； - 攻擊； - 送貨； - 研究； - 發布公告； - 接受社會任務。 如果 NPC 只能生成文字，但文字無法形成正式世界效果，那麼它仍然沒有真正「住在世界裡」。 --- ## 2.3 Persistence 事件必須留下持久結果。 例如： \[ \text{Trial} \rightarrow \text{Qualification} \] 可能讓居民獲得永久職業資格； 研究成果可以形成正式 record、被圖書館 accession，並被後續生產系統引用； 居民記憶也會保存其個人經驗、人物關係、claim、confidence 與 evidence。 如果所有狀態在數分鐘後都回到原點，那麼世界雖然在運作，卻沒有真正形成歷史。 --- ## 2.4 Dynamics 最後一層則是本系列最關心的： > **一個狀態改變，能不能生成另一個問題？** 例如： \[ \text{Service Demand} \rightarrow \text{Staff Shortage} \rightarrow \text{Social Matter} \rightarrow \text{Resident Response} \rightarrow \text{Assignment} \rightarrow \text{World Change}. \] `my_ai_town` 的 Social Matter Runtime 已正式區分： - awareness； - involvement； - exposure； - participant； - response； - assignment； - result。 甚至居民必須先實際知情，才能成為 Matter 的回應候選。 當 Simulation、Interaction、Persistence 與 Dynamics 同時成立後，系統才開始具有「社會」的雛形。 --- # 3. AI 遊戲成熟度的 L1–L6 分層 本系列提出六個分析層級。 它們不是產品評分，也不是高低優劣排名，而是描述系統具備何種結構。 --- ## L1：Agent Autonomy Agent 可以根據： - 個性； - 欲望； - 記憶； - 當前情境； 自主選擇行動。 核心問題： > NPC 是否只是等待玩家觸發？ 如果不是，則進入 L1。 --- ## L2：World Grounding Agent 的行動必須受到真實 World State 約束。 例如： > 想去不存在的地方，不行。 > 想使用不存在的物品，不行。 > 想假裝完成工作，不行。 > 想憑一句對話讓對方受傷，不行。 此時： \[ Agent\ Policy \subseteq World\ Feasible\ Action\ Space. \] 這是 World Authority 開始成立的階段。 --- ## L3：Persistent Causality 世界能記住： > 為什麼事情變成現在這樣。 包括： - Action Result； - Conversation； - Memory； - World Log； - Causal Chain； - Relationship History。 事件不再只是： \[ E_t \] 而是： \[ E_t \rightarrow E_{t+1}. \] 角色也能因為不同歷史軌跡而分化。 --- ## L4：Endogenous Dynamics 世界開始自己產生問題。 例如： \[ \text{Waiting Customers} > \text{Service Capacity} \] 便產生服務壓力。 職位缺人則產生 Vacancy Matter。 居民的請求可以形成 Social Matter。 對話中的承諾，也可以變成後續 World Goal。 也就是： \[ \boxed{ World State \rightarrow New Problem } \] 不需要腳本作者逐項指定。 這是「活著的模擬」和「具有社會動力的模擬」之間的重要分界。 --- ## L5：Persistent Differentiation 接著必須出現： > **今天發生的事情，永久改變明天的可能性空間。** 定義： \[ \Omega_i(t) = \text{Agent }i\text{ 在時間 }t\text{ 的可行行動集合}. \] 如果： \[ \Omega_i(t+1)\neq\Omega_i(t) \] 而差異來自 Agent 過去的歷史，那麼就產生 Persistent Differentiation。 例如： \[ Trial \rightarrow Qualification \rightarrow NewOccupationOptions. \] 或者： \[ Research \rightarrow KnowledgeArtifact \rightarrow NewServiceDependency. \] 此時世界開始具有： \[ \text{Path Dependence}. \] --- ## L6：Open-ended Structural Evolution 最後一層不是「事件更多」。 而是： \[ \boxed{ \text{世界本身的可能性拓樸會被行動改寫} } \] 假設世界可以表示為： \[ G_t= ( Agents, Places, Resources, Roles, Relations, Institutions, Capabilities ). \] 真正的結構演化要求： \[ G_{t+1}\neq G_t \] 而且差異不是系統預先排定的一次性事件，而是過去行動累積的結果。 例如： - 新組織成立； - 財產所有權改變； - 技術被發明； - 新職業形成； - 社會派系產生； - 新制度改變其他 Agent 的可行行動； - 城鎮本身因居民長期行為而變成另一種社會。 這才是本系列所稱： \[ \boxed{ Open\text{-}ended\ AI\text{-}Native\ World. } \] --- # 4. Event Emergence 與 Structural Emergence 這是研究 AI 模擬時非常容易混淆的一點。 假設今天： - A 和 B 吵架； - C 去幫忙咖啡館； - D 因為下雨沒有上班； - E 臨時代班； - F 在市場遇到 G。 這些都可以不是預先寫好的。 因此它們屬於： \[ \boxed{ Event\ Emergence } \] 也就是： > 在固定的世界規則與固定的可能性空間中，產生未預先指定的事件序列。 但是假設十天後： - A 因此獲得新的職業能力； - B 因此失去財產； - C 成立新的組織； - D 發明新的技術； - E 取得新的權力； - F 與 G 的聯盟改變其他居民的行為空間。 這就不只是事件序列不同。 而是： \[ \boxed{ Structural\ Emergence } \] 也就是： > 事件本身改變未來可以發生哪些事件。 因此： \[ Event\ Emergence \neq Structural\ Emergence. \] 這將成為後續研究 Attractor、Persistent Differentiation 與 Open-ended Evolution 的核心區分。 --- # 5. 為什麼「世界一直發生事情」仍可能沒有歷史 一個 AI 世界可以非常熱鬧，卻仍然停留在穩態。 假設居民具有： \[ Energy,\ Satiety,\ Stress,\ SocialNeed. \] 那麼： \[ Hunger \rightarrow Eat \rightarrow Satiety \rightarrow Hunger \] 以及： \[ Fatigue \rightarrow Sleep \rightarrow Energy \rightarrow Fatigue. \] 服務壓力也可能是： \[ Pressure \rightarrow Help \rightarrow PressureResolved. \] 衝突則可能是： \[ Conflict \rightarrow Cooldown \rightarrow Normality. \] 這些系統都很重要。 但它們大多屬於： \[ \boxed{ Negative\ Feedback } \] 其目的就是將世界重新拉回穩態。 因此一個模擬即使每天發生不同事情，也可能最終形成： \[ \boxed{ Stochastic\ Homeostatic\ Attractor } \] 也就是： > 有隨機事件、有個體差異、有 LLM 決策，但整體仍不斷回到工作、吃飯、休息、聊天與睡眠的生活吸引子。 這不是錯誤。 對生活模擬而言，它甚至是一種必要穩定性。 但： \[ \boxed{ Sustainable\ Simulation \neq Open\text{-}ended\ Evolution. } \] 這也是本系列後半部最重要的命題之一。 --- # 6. World Projection：Agent 不應看到整個世界 如果每一名 Agent 每次決策都收到整個世界資料： \[ Agent_i\leftarrow W_t \] 不只 Token 成本會快速爆炸，也會造成一種本體論問題： > 每個 NPC 都變成全知者。 因此更合理的形式是： \[ \boxed{ O_i(t)=P_i(W_t) } \] 其中： - \(W_t\) 是完整世界狀態； - \(P_i\) 是居民 \(i\) 的 World Projection Operator； - \(O_i\) 是該居民實際可知的世界。 例如 Agent 的 wake packet 只投影： - 自己； - 附近居民； - 所在地點； - 自己的工作； - 自己知道的公告； - 自己知情的 Social Matters； - 自己遭遇的事件； - 自己的記憶。 所以： \[ Knowledge_i \subseteq WorldFacts. \] 這不只是效能優化。 它是 AI 社會能否存在： - 秘密； - 謠言； - 誤解； - 資訊不對稱； - 探索； - 專業知識； 的必要條件。 --- # 7. Memory 不等於 Log 另一項重要區分是： \[ WorldHistory \neq AgentMemory. \] World Log 應該回答： > 世界客觀發生了什麼？ 而 Agent Memory 回答： > 這名居民認為發生了什麼？ `my_ai_town` 的正式記憶條目已經包含： - `subject` - `interpretation` - `source_kind` - `source_resident_id` - `claim_root_id` - `confidence` - `evidence_refs` - state 並正式限制 confidence 在 \(0\sim100\) 之間。 親歷與二手消息也不是同一初始可信度；Formal Memory Builder 會給 firsthand 較高、hearsay 較低的初始 confidence。 同一 claim 若遇到一致證據，可以強化；遇到衝突證據，則可以降低 confidence、進入 doubtful / anomalous，甚至由後來的親歷證據修正為 corrected。 因此後續文章將使用： \[ \boxed{ WorldTruth \rightarrow Evidence \rightarrow Belief } \] 而不是： \[ WorldTruth=Belief. \] --- # 8. 本系列採用的核心分析單位 後續研究不再以： > 「有沒有某功能」 作為主要判斷方式。 而是分析五種結構。 ## 8.1 State 世界保存什麼？ \[ S_t. \] --- ## 8.2 Transition 什麼事情可以使： \[ S_t\rightarrow S_{t+1}? \] --- ## 8.3 Authority 誰有權確認這次 Transition？ LLM？ World Runtime？ 玩家？ 系統事件？ --- ## 8.4 Projection 哪些 Agent 能知道這次 Transition？ \[ P_i(S_t). \] --- ## 8.5 Persistence 這項改變多久之後仍然存在？ 分鐘？ 一天？ 整個存檔？ 永久改變未來行動空間？ 這五個問題，比單純問： > 「有沒有 AI 記憶？」 更能判斷系統真正成熟度。 --- # 9. 研究方法：從專案功能轉向可重建結構 本系列使用 `my_ai_town` 作為主要案例，但目的不是複製其程式。 研究過程遵守： \[ \boxed{ Implementation \rightarrow Structural Principle \rightarrow General Architecture } \] 例如看到： ```text known_announcements ``` 我們不只記： > 系統有公告。 而要問： \[ \text{Who Knows What?} \] 看到： ```text qualification ``` 也不只記： > 有職業系統。 而要抽象成： \[ History \rightarrow CapabilityChange. \] 看到 research booklet，也不是只描述： > 有一本研究冊。 而是抽象成： \[ Knowledge \rightarrow Artifact \rightarrow Logistics \rightarrow Service. \] 最後再問： \[ Knowledge \rightarrow Capability? \] 這就是本系列所採用的： \[ \boxed{ Clean\text{-}room\ Structural\ Extraction } \] 方法。 研究的是可重建原理，而不是依賴特定程式實作。 --- # 10. 系列的最終問題 本系列最後想回答的不是： > 「如何讓 NPC 更聰明？」 而是： > **如何讓世界因為 NPC 的存在而變得不同？** 兩者差異很大。 前者關心： \[ AgentCapability\uparrow. \] 後者關心： \[ WorldHistory\uparrow. \] 真正的 AI 原生遊戲不應只是： \[ \text{Game} + \text{LLM NPC}. \] 而應該逐步走向： \[ \boxed{ WorldRuntime + AgentCognition + PersistentCausality + SocialDynamics + HistoricalDifferentiation } \] 最終形成： \[ \boxed{ World \rightarrow Evidence \rightarrow Belief \rightarrow Intent \rightarrow Action \rightarrow World' } \] 並且： \[ World'\neq World \] 不只是因為時間增加了一分鐘，而是因為： > **這個世界真的經歷過某些事情。** --- # 11. 結論 生成式 AI 已經讓 NPC 從腳本角色，開始變成具有記憶、個性與自主決策能力的 Agent。 但： \[ \text{Autonomous Agent} \neq \text{Autonomous World}. \] 一個真正的 AI 原生世界需要的不只是更大的模型，而是更完整的： - World Authority； - Observation Projection； - Action Ontology； - Persistent Memory； - Causal History； - Social Matter； - Information Topology； - Persistent Differentiation； - Cross-Domain Coupling。 因此，本系列將 AI 遊戲的核心研究問題重新定義為： \[ \boxed{ \text{如何讓 Agent 的歷史， 真正成為世界的歷史？} } \] 第 1 篇將從最底層開始： > **《意圖不是現實：Agent–World Authority Architecture》** 研究大型語言模型為什麼不應該直接成為世界真相，以及 Intent、Validation、Execution、Settlement 四層如何構成 AI 原生遊戲最基本的本體論邊界。