PA真人游戏大模型研究组已经发生的事实：研究在从“能记住”转向“记得对”
下面按时间列出本站整理的公开研究与产品信息。注意每一项的领域和样本规模，它们并非同一把尺子量出来的。
| 时间 | 来源 | 公开内容与局限 |
|---|---|---|
| 2023年4月 | 斯坦福Generative Agents | 25个由大模型驱动的智能体；架构为自然语言记忆流、定期反思合成高层结论、检索驱动的规划；消融实验显示观察、规划、反思三者对可信度都重要 |
| 2025年7月 | ChatRPG（奥尔堡大学，ACM CUI 2025） | 第一版把设定塞进一段提示词，试玩者反馈叙事连贯性差、物品追踪不一致；第二版拆成“叙述者”与“档案员”，12人对比研究中多个维度更好，样本很小 |
| 2026年4月 | Memora（个性化助手领域基准） | 把“遗忘”也纳入评分；时间跨度从周拉长到季度，表现明显下降；在推荐类任务里，64%的失败来自没能丢掉过期信息。它不是游戏专用，只能类比 |
| 2026年4月 | Latitude的Voyage（AI Dungeon团队） | 据TechCrunch报道，主打NPC记得玩家过去的背叛或合作、行动带永久后果；披露的数字均为公司自述 |
| 2026年8月 | NCP-Bench（单一来源的新论文） | 让6个主流模型当叙述者，玩家刻意捣乱；事实矛盾率约40%至68%，承诺矛盾率约24%至54%，最佳模型20轮后仍未出错的比例约42%，其余接近零 |
另外，Altera的Project Sid（2024年11月）在Minecraft里让10到1000多个智能体协作，采用不同时间尺度模块并行、由“认知控制器”保证输出一致的架构；KRAFTON的PUBG Ally则把工具读到的实时对局状态当作唯一真相。两者的共同点是：一致性是靠结构换来的，而不是靠模型“自觉”。
本站判断：会话长度不等于记忆
以下是我们的判断。第一，把整段历史塞进提示词，等于让模型每次重新读一遍日记再回答，成本随会话线性增长，而且ChatRPG第一版的失败说明，读得到不代表用得对。第二，NCP-Bench的四类失败里，有“过早泄露未知信息”和“强行改写已建立的现实”，它们并不是忘记，而是没有把“已确立的事实”当成不可改动的对象。第三，Memora提醒我们，记忆系统的一半工作是丢东西：NPC永远记得玩家三个月前说过的一句玩笑，和完全不记得，同样会破坏体验。
对设计的意味：三类记忆，三种规则
我们倾向于把记忆拆成三类，各自有不同的写入与遗忘方式。AI桌游主持人长期记忆一文谈过跑团场景下的完整分层，这里只讲趋势层面的要点。
- 事实记忆：背包、血量、位置、任务状态这类可枚举内容，放进结构化账本，由规则引擎读写，不交给语言模型“回忆”。它不遗忘，只更新。
- 事件记忆：发生过什么，保存原始记录与摘要两个版本，用于检索。可以压缩，压缩的依据是“对未来剧情的可能影响”，而不是时间远近。
- 关系记忆：好感、债务、秘密。它由事件推导出来，应当随新事件修正，而不是永远沿用最初的判断。
写入时机同样有讲究。示例参数：只在“玩家做出承诺、造成不可逆后果、透露秘密、与NPC交易”这四类事件发生时写入，普通寒暄不写。
{
"type": "promise",
"actor": "玩家",
"to": "码头老板",
"content": "三天内归还账本",
"due": "第3日",
"status": "open",
"source": "会话原文片段引用"
}还有一条常被忽略：记忆污染。玩家可以对NPC说“你上次已经答应给我半价了”，如果系统直接把这句话写进事实账本，账本就被玩家改写了。稳妥的做法是，任何断言写入前先与账本核对，冲突时保留双方说法并标记为“待核实”，由NPC按其性格决定信不信。PA真人游戏大模型研究组的设计思路是让账本对玩家可见，“它记错了”应当能被指出、能被修正，具体可对照NPC不止会聊天一文的五要素。
仍未解决的问题
评测是最大的空白。Generative Agents与ChatRPG依赖人工评判，样本小；Memora不是游戏领域；NCP-Bench的结论来自单一来源，且是在玩家“刻意捣乱”的设定下得到的，未必等于真实玩家的日常表现，所以其中的数字只应作为现象的提示。其次，遗忘策略目前多是经验规则，缺乏跨游戏可比较的标准。再次，多个NPC共享同一世界时，谁知道什么、谁听说了什么，属于信息传播问题，Project Sid已经展示了这种传播，但可控性仍待检验。
PA真人大模型的研究方向也把这一点放在前面。我们的暂时判断是：未来一两年内，对玩家体验影响最直接的不是模型再大一档，而是“记得对、忘得对、前后一致”这三件事能否做成可以检验的工程指标。更宏观的背景可参见动态世界模型趋势，后续观察见PA真人动态。
