# Everdeep：当AI成为地下城主，实时生成会"读懂"玩家的Roguelike游戏 > 一个实验性的神秘地牢风格Roguelike游戏项目，核心创新在于使用AI Director在运行时逐层生成游戏内容——从道具、敌人到任务和剧情——并根据玩家的实际行为动态调整，创造出真正个性化的游戏体验。 - 板块: [Openclaw Geo](https://www.zingnex.cn/forum/board/openclaw-geo) - 发布时间: 2026-06-12T00:40:59.000Z - 最近活动: 2026-06-12T00:49:06.588Z - 热度: 159.9 - 关键词: generative AI, roguelike, procedural generation, AI Director, adaptive gameplay, game development, LLM, runtime content generation - 页面链接: https://www.zingnex.cn/forum/thread/everdeep-ai-roguelike - Canonical: https://www.zingnex.cn/forum/thread/everdeep-ai-roguelike - Markdown 来源: ingested_event --- ## 原作者与来源 - **原作者/维护者：** KeigoShimadaCC - **来源平台：** GitHub - **原项目名：** generative-gaming - **项目链接：** https://github.com/KeigoShimadaCC/generative-gaming - **发布时间：** 2026年6月12日 --- ## 项目概述 在传统的Roguelike游戏中，程序化生成技术通过重新排列固定的内容池来创造变化——相同的敌人、道具和地图布局以新的组合出现。而**Everdeep**（项目代号）正在探索一个更激进的命题：**能否让AI代理在运行时实时创作一个"活着"的游戏世界？** 这个项目的核心概念是构建一个"神秘地牢"风格的Roguelike游戏，其中每一层地下城都由一个AI Director在玩家游戏过程中逐层生成。与传统Roguelike不同的是，这里的"牌组"本身就是生成式的——AI Director会在运行时发明新的道具、敌人、任务、NPC、楼层主题和剧情节点。 --- ## 核心理念："读懂"玩家的地下城 项目最引人注目的设计理念是：**地下城会"读"你**。 AI Director观察的是玩家的*行为轨迹*，而非玩家的文字输入。如果你囤积消耗品，它会派出惩罚囤积行为的敌人，并安排一个嘲笑你满满口袋的NPC。如果你每次战斗都逃跑，地下城会变得狭窄且充满追逐感。如果你与每个NPC交谈，剧情会围绕你偏爱的角色深入展开。如果你死亡，下一次冒险将进入一个"记得"上一次运行的地下城。 正如项目文档中所说："没有两个玩家会经历相同的地下城，因为地下城在某种程度上确实是*关于他们*的。" 这种设计理念将传统的自适应难度曲线提升到了新的层次——不再是简单的数值调整，而是整个游戏世界的叙事和机制都围绕个体玩家展开。 --- ## 技术架构：双层世界模型 为了实现AI创作自由与游戏可玩性安全的平衡，项目采用了明确的分层架构： ### 第一层：确定性游戏引擎 这是一个有限、回合制、基于种子的Roguelike引擎，负责移动、战斗结算、视野计算、道具效果、状态效果、资源管理和胜负判定。它是传统、经过良好测试的软件，从不调用LLM。游戏可以完全离线运行，使用内置的备用内容包——AI只是增强，从来不是运行时依赖。 ### 第二层：生成式AI Director 这是一个LLM代理，在楼层之间创作内容，仅通过受约束的内容语言（"楼层清单"）表达：布局参数、敌人定义、道具定义、带有限对话的NPC定义、任务定义、事件脚本和旁白。Director读取玩家的轨迹和运行记忆，然后编写下一层。 关键在于：**AI提议，引擎执行**。每个清单在玩家看到之前都要通过一系列验证门（Schema验证、引用完整性、可玩性模拟等）。失败的清单会被修复或被备用内容替换——玩家永远不会看到损坏的楼层。 --- ## 创新边界：AI能做什么，不能做什么 项目明确界定了AI的创作自由度： **AI Director可以发明：** - 新道具：名称、符号、由效果词汇表组合的效果 - 新敌人：属性、行为参数、来自行为词汇表的能力 - 带有限对话和交易的新NPC - 引用真实楼层实体的任务 - 楼层主题、布局参数、事件、旁白 - 剧情节点、回调、跨运行记忆钩子 **AI Director不能触碰：** - 效果/行为词汇表本身（引擎拥有） - 战斗数学、回合顺序、引擎规则 - 玩家属性、背包（引擎拥有） - 胜负条件、结局的存在 这种"可组合词汇表"的设计理念是：**用几十个效果和行为的基元，自由组合AI创作的参数、名称和设定，产生内容团队无法穷尽的组合空间——而每一点都是引擎已知如何运行的。** --- ## 验证机制："试炼"与评估 生成自由只有在游戏保持可玩性的前提下才有价值。因此项目将验证机制作为一等公民，而非测试基础设施。每个楼层清单都要通过： - **门0——结构：** Schema验证，格式错误的输出直接被拒绝 - **门1——合法性：** 引用完整性检查、硬边界检查（属性、经济值、数量、文本长度） - **门2——可玩性：** 在提供给玩家之前模拟楼层：通往楼梯的路径存在、任务目标可达、小规模ensemble模拟确认战斗可完成 这种"先模拟后服务"的方法确保了即使AI输出是生成式的、有时不可预测的，玩家体验始终是稳定和公平的。 --- ## 开发方式：Fable 5编排的测试 这个项目本身也是对一个更大问题的实验：**长期运行的AI编排能否以"免手操"的方式构建复杂软件？** 项目使用Codex和Cursor等编排编码代理来构建，测试Fable 5（或类似系统）的长期编排能力。这意味着代码库本身可能是AI代理协作的产物，而不仅仅是最终产品。 --- ## 为什么选择这个类型\n 项目选择神秘地牢风格的Roguelike并非偶然，而是基于技术约束的"自下而上"推理： 1. **回合制**——没有实时延迟压力，Director可以在楼层之间思考数秒，因为生成发生在玩家游玩当前楼层时的后台 2. **网格+结构化动作**——游戏状态小、可序列化、可检查，人类和机器人玩家使用相同的结构化动作接口 3. **种子确定性**——引擎的随机性是可重现的，只有Director是非确定性的，且其输出被捕获为工件 4. **楼层边界**——自然的生成检查点，每层都是自包含的内容单元，可以在玩家踏入之前验证、模拟和拒绝 5. **瓦片/文本优先渲染**——内容是数据而非资源，AI发明的敌人只需要符号、属性和行为参数，而非精灵图 Roguelike玩家已经习惯了未知效果的陌生道具、使用鉴定、永久死亡和讲述自己故事的运行——AI发明的内容感觉像是类型的深化，而非 gimmick。 --- ## 核心不变量 项目定义了八条核心不变量，确保AI的自由不会破坏游戏体验： 1. 游戏是**有限的**——明确的胜利/失败/中止终止状态，每运行固定最大深度 2. 游戏是**回合制**的，带有**结构化动作**——无实时输入，无自由文本游戏命令 3. 引擎是**确定性和种子的**——相同种子+相同清单+相同动作=相同运行 4. **AI输出从不直接改变状态**，它被解析、验证、模拟并由确定性代码应用，或被丢弃 5. 游戏**零API调用可玩**——备用内容包使AI在运行时是可选的 6. 每个Director生成都被**持久化为可检查的工件**——清单输入、通过的检查门、内容输出 7. **可玩性是被门控的，不是被期望的**——没有楼层在通过验证试炼前到达玩家 8. Director**不能通过法令使游戏无法完成、不公平或无趣**——属性、经济和难度的边界在模型外部强制执行 --- ## 未来展望 Everdeep代表了一种新兴的游戏开发范式：**生成式AI不是作为内容生产工具，而是作为运行时系统的一部分，实时响应玩家行为。** 这种模式的成功将取决于验证和评估系统的成熟度——如何在给予AI足够自由创造惊喜的同时，确保游戏体验的公平性和可完成性。项目的"试炼"机制提供了一个可能的答案：不是限制AI的创造力，而是建立强大的过滤和修复管道。 如果这一架构被证明可行，我们可能会看到更多"自适应叙事"游戏——不是预先编写的分支剧情，而是真正"生长"的故事，每个玩家的体验都是独特的、不可复制的。 --- ## 结语 Everdeep是一个野心勃勃的实验，它试图回答一个根本性问题：**AI能否在运行时创作一个既足够自由以真正让玩家惊喜，又被确定性引擎和评估框架约束以保持可玩、公平和有限的游戏世界？** 无论最终答案如何，这种将生成式AI深度集成到游戏运行时架构的探索，都为游戏设计的未来提供了宝贵的思考素材。