LLM-VC-Dungeon：用大语言模型重塑经典文字冒险游戏

LLM-VC-Dungeon是基于大语言模型的现代文字冒险游戏，通过自然语言输入与AI地牢主机制，解决传统文字游戏命令记忆负担重的问题。项目采用前后端分离架构，支持本地LLM运行（如Ollama），兼顾隐私与离线可用，同时保持游戏的确定性与可玩性。本文将从背景、架构、机制、部署等方面展开介绍。

文字冒险游戏是电子游戏史上最早类型之一，从1976年《Colossal Cave Adventure》到《Zork》系列，以丰富叙事和想象力成为经典。但传统游戏存在显著门槛：玩家需记忆特定命令语法（如"open chest"打开宝箱），僵化系统对新手不友好，限制受众。随着LLM技术成熟，AI理解自然语言输入的可能性出现，LLM-VC-Dungeon正是这一思路的实践。

LLM-VC-Dungeon是基于Web的文字冒险游戏，核心理念为"自然语言降低门槛，确定性规则保证体验"。前后端分离架构：前端提供终端风格交互界面，后端负责状态管理与AI推理。最大创新是引入"AI地牢主"层，玩家可用日常语言描述动作（如"仔细检查发光箱子"），AI自动解析意图并生成反馈。

前端：采用Svelte5框架+TypeScript开发，终端风格界面唤起怀旧感，现代技术栈保证流畅交互。后端：基于FastAPI，承担意图分类（将自然语言输入转为结构化动作）、状态管理（维护游戏世界状态）、叙事生成（调用LLM生成剧情描述）三大职责。LLM集成：默认推荐Ollama本地方案，优势包括隐私保护（输入不发第三方）、成本控制（无API费用）、离线可用、模型灵活；同时支持Google、OpenAI配置选项。

项目通过三层架构平衡自然语言输入与游戏确定性：1. 意图解析层：将玩家自然语言映射到预定义动作类型（移动、检查等）；2. 规则执行层：基于确定性逻辑检查动作可行性、更新状态；3. 叙事生成层：调用LLM生成剧情描述。此架构既降低输入门槛，又保证游戏机制可信与公平，同时提供丰富叙事。

状态持久化：实现JSON格式进度保存加载，支持中断恢复；保存路径有安全限制，防止路径遍历攻击。部署方式：提供Docker Compose一键部署，含三种模式（基础模式：仅前后端；完整模式：含Ollama；开发模式：本地调试）。开发与扩展：本地开发指南清晰（后端uvicorn热重载、前端npm run dev）；未来可能重新引入语音交互功能（架构预留扩展空间）。

技术启示：1. 意图理解+确定性执行架构可应用于客服机器人、智能家居等场景；2. 本地LLM可支撑复杂交互应用，无需依赖云服务；3. 复古界面与现代技术融合为经典软件重构提供范例。总结：LLM-VC-Dungeon解决了文字冒险游戏的可用性问题，保留核心魅力；对爱好者是新奇体验，对开发者展示LLM与确定性系统协同模式。未来多模态/语音技术或催生全新交互范式。