基于大语言模型的AI狼人杀游戏：双层角色扮演与模型竞技场设计
1. 项目概述：当狼人杀遇上AI，一场全新的推理盛宴
毕业之后，想凑齐8到12个人，在周末的晚上围坐一圈，点上外卖，来一场酣畅淋漓的狼人杀，几乎成了一种奢望。这个游戏的精髓在于社交，但剥开这层外壳，其内核——逻辑推理、语言博弈、察言观色——本身就充满了魅力。有没有一种可能，让我们随时随地，一个人也能体验到这种烧脑的乐趣？这正是Wolfcha诞生的初衷。
Wolfcha，这个名字巧妙地融合了“狼人”（Werewolf）和中文文学形象“猹”，既是对项目诞生于“Watcha + ModelScope全球黑客松”的致敬，也精准地捕捉了其核心玩法：观看AI角色们上演一出好戏。在这个游戏里，除了你之外的所有玩家——预言家、女巫、猎人、守卫、狼人——全部由人工智能驱动。你不再是唯一的玩家，而是这场AI大乱斗的导演和首席观众。
2. 核心设计思路：双层AI角色扮演与模型竞技场
2.1 双层AI角色扮演系统：从“人设”到“角色扮演”
传统的AI游戏角色，往往只是根据游戏规则做出反应，缺乏“人”的质感。Wolfcha的核心创新在于其双层AI角色扮演系统，这得益于当前大语言模型（LLM）日益增长的上下文窗口和强大的指令遵循能力。
第一层：虚拟玩家的人格塑造在游戏开始前，系统会为每个AI玩家生成一个独特的“虚拟人格”。这不仅仅是一个名字，而是一个包含背景故事、性格特质（如“多疑”、“冲动”、“冷静”）、说话风格甚至口头禅的完整人设。例如，一个AI玩家可能被设定为“一位喜欢引用莎士比亚的退休历史教授”，而另一个则是“一位说话直来直去的程序员”。
注意：人设的生成质量直接影响到后续的游戏体验。过于平淡的人设会导致AI发言同质化，而过于极端的人设（如“完全沉默寡言”）则可能破坏游戏平衡。在实际开发中，我们通过预设一批经过精心调校的人格模板，并结合随机要素来生成，确保多样性与可玩性。
第二层：游戏内的角色扮演当游戏开始，这位拥有独立人格的“虚拟玩家”会拿到一个狼人杀角色（比如狼人）。此时，AI需要完成一次复杂的“嵌套扮演”：它要以自己虚拟人格的思维方式，去扮演游戏中的狼人角色，并根据实时变化的游戏局势（如夜间信息、白天发言、投票情况）进行发言、推理、撒谎或归票。
这个过程是实时生成的，充满了不可预测性。那个“退休历史教授”扮演的狼人，可能会在辩解时引经据典；而“程序员”扮演的预言家，发言可能格外逻辑严谨但缺乏感染力。这种深度角色扮演让每一局游戏都像是一部由AI即兴创作的微型戏剧。
2.2 AI模型竞技场：一场隐藏的“图灵测试”
Wolfcha的另一个精妙之处在于，它不仅仅是一个游戏，更是一个AI模型的竞技场。我们接入了多个顶尖的大语言模型来驱动这些AI玩家。游戏结束后，你可以清晰地看到每个角色背后是哪个模型在“操盘”。
这相当于设置了一场持续的、多模型的“图灵测试”。你可以观察：
- 哪个模型逻辑最缜密：能否从复杂的发言中找出狼人的逻辑漏洞？
- 哪个模型最会“装傻充愣”：作为狼人时，能否完美地隐藏自己，发出像好人一样的言论？
- 哪个模型最具“人味”：它的发言是否自然，是否有情感波动，是否会出现符合其人格但不符合绝对理性的有趣失误？
目前项目集成的模型包括DeepSeek V3.2、Qwen3-235B-A22B、Moonshot AI的Kimi K2、Google的Gemini 3 Flash以及字节跳动的Seed 1.8。让这些不同“血统”的AI同台竞技，本身就是一件极具观赏性和研究价值的事情。
3. 技术架构与核心实现解析
3.1 现代化全栈技术选型
Wolfcha采用了一套非常现代且高效的技术栈，确保了开发的流畅性与最终产品的优秀体验：
- 前端框架：Next.js 15 (App Router)。选择Next.js而非纯React，主要看中其服务端渲染（SSR）和流式渲染能力。这对于需要快速加载、且内容动态的AI游戏页面至关重要。App Router的模式也让基于角色的路由管理（如
/game/[id]/day，/game/[id]/night）变得异常清晰。 - 语言：TypeScript。在涉及复杂游戏状态（如玩家列表、角色技能、发言记录）和AI API调用时，TypeScript的强类型系统是避免低级错误、提升开发效率的生命线。
- 样式：Tailwind CSS 4。其效用优先（Utility-First）的理念非常适合快速构建定制化UI，并且能轻松实现项目追求的复古视觉风格。通过精心挑选的复古色板（如暗色调背景搭配柔和的琥珀色、墨绿色高亮），营造出独特的沉浸感。
- 状态管理：Jotai。相比于Redux的繁重，Jotai的原子化状态管理概念与React思维模式更契合。游戏中的状态如
gamePhase（游戏阶段）、players（玩家列表）、currentSpeaker（当前发言者）都很适合用独立的atom来管理，更新高效且精准。 - AI集成层：ZenMux。这是项目的关键枢纽。直接对接多个LLM厂商的API非常繁琐，而ZenMux提供了一个统一的接口。我们只需向ZenMux发送标准化的请求（包含角色人设、游戏历史、当前回合指令），它就能帮我们路由到配置好的不同模型（如DeepSeek或Qwen），并返回格式化的响应，极大降低了集成复杂度。
3.2 游戏状态机的设计与实现
狼人杀是一个典型的状态机（State Machine）。Wolfcha的核心逻辑就是维护并驱动这个状态机。
状态定义示例：
type GamePhase = 'LOBBY' | 'NIGHT_WEREWOLF' | 'NIGHT_SEER' | 'NIGHT_WITCH' | ... | 'DAY_DISCUSSION' | 'DAY_VOTING' | 'GAME_END'; type Player = { id: string; name: string; avatar: string; // 使用DiceBear生成 role: WerewolfRole; aiModel: string; // 如 'deepseek-v3.2' personality: PersonalityProfile; // 第一层人设 isAlive: boolean; // ... 其他状态 };状态流转控制：游戏引擎（一个Node.js后端服务或Next.js API Route）负责按顺序推进状态。例如，从NIGHT_WEREWOLF切换到NIGHT_SEER时，引擎会：
- 检查狼人AI是否已完成行动（通过调用ZenMux API获得选择目标）。
- 存储行动结果。
- 广播状态更新给所有前端客户端（使用WebSocket或Server-Sent Events实现实时性）。
- 向前端发送指令，触发相应的视觉过渡动画（如眨眼效果切换昼夜）。
3.3 AI交互与提示词工程
这是项目的灵魂所在。如何让AI理解复杂的游戏规则并做出合理行为？关键在于精心设计的系统提示词（System Prompt）。
以狼人夜间行动提示词为例：
你正在玩一场狼人杀游戏。以下是你的身份和当前游戏状态： 【你的身份】 - 你是：狼人 - 你的人设：[此处插入第一层人格，如“你是一个谨慎的图书管理员，习惯在发言前深思熟虑”] - 你的队友是：[玩家X, 玩家Y]（仅你知道） 【游戏规则摘要】 - 每晚你们狼人可以共同商议并杀死一名玩家。 - 目标是消灭所有神职或所有平民。 【当前局势】 - 当前存活玩家：[列表] - 昨天的发言摘要：[摘要] - 昨天的投票结果：[结果] - 目前场上的风向：[分析] 【你的任务】 请以你的人设和狼人身份进行思考，从存活玩家中选择一名最可能是神职，或对狼人阵营威胁最大的玩家作为今晚的击杀目标。请只用JSON格式回复：{"action": "kill", "targetPlayerId": "player_id", "reasoning": "你的思考过程，体现你的人设"}。这个提示词结构清晰，包含了身份、人设、规则、局势和明确的输出格式要求。输出格式锁定为JSON是至关重要的工程实践，这保证了后端代码能稳定地解析AI的响应，而不会因为AI的“自由发挥”导致程序出错。
实操心得：温度（Temperature）参数的微调。对于需要稳定执行行动的环节（如夜间杀人），我们会将温度参数调低（如0.2），让AI输出更确定、更符合规则。而对于白天发言环节，温度可以适当调高（如0.7-0.9），以激发AI更多的创造性和符合人设的“表演”，增加趣味性。
4. 前端交互与沉浸式体验打造
4.1 动态视觉反馈系统
为了让AI的“表演”更生动，我们在前端下了不少功夫：
- 口型同步动画：当AI生成的文本被转为语音（或模拟语音播放）时，我们根据语音的时间戳和文本音节，动态控制角色头像的嘴部SVG路径，产生简单的“说话”动画。这虽然不如真正的口型识别精确，但极大地增强了角色的生动感。
- 专属角色特效：在夜间行动阶段，当预言家查验身份或女巫使用毒药时，对应的角色头像会触发独特的微光、涟漪等SVG动画，强化技能施放的仪式感。
- 昼夜切换的“眨眼”效果：使用Framer Motion实现了一个全屏的渐变遮罩动画。从白天切换到黑夜时，屏幕上下边缘像眼帘一样合拢，再睁开时已是夜景模式，过渡非常自然。
4.2 实时聊天与历史记录
游戏内的发言系统基于Tiptap编辑器构建，这允许我们未来可以轻松地为其添加更丰富的文本格式（如强调某句话、插入表情）。所有AI和玩家的发言都以消息流的形式呈现，并附上时间戳和说话者头像。
关键实现点：为了模拟真实桌游的发言顺序，我们设计了一个“发言计时器”。当进入白天讨论环节，系统会按照座位顺序（或随机顺序）自动激活当前发言者的麦克风图标，并开始倒计时。在这段时间内，驱动该玩家的AI模型需要生成发言内容并“说出”。这个过程是异步的，前端会显示“正在思考...”的加载状态，给玩家一种AI正在认真组织语言的真实感。
5. 部署、配置与常见问题排查
5.1 本地开发环境搭建详解
如果你想在本地运行或贡献代码，请遵循以下步骤：
获取代码与安装依赖：
git clone https://github.com/oil-oil/wolfcha.git cd wolfcha pnpm install # 强烈推荐使用pnpm，依赖安装速度和磁盘空间占用优势明显环境变量配置： 复制
.env.example文件为.env.local。你需要申请以下关键服务的API密钥：ZENMUX_API_KEY: 这是核心。前往ZenMux官网注册并获取密钥，它将是调用所有AI模型的桥梁。DASHSCOPE_API_KEY(可选): 如果你希望单独使用阿里云的通义千问模型。 将密钥填入.env.local文件。务必确保该文件已被加入.gitignore，切勿提交密钥！
启动开发服务器：
pnpm dev访问
http://localhost:3000。首次加载时，由于需要初始化AI模型连接，可能会稍有延迟。
5.2 核心配置项解析
在项目配置中，有几个文件至关重要：
src/lib/game-config.ts: 这里定义了游戏规则常量，如角色数量配置 ({ werewolves: 2, seer: 1, witch: 1, ... })、每轮发言时长、技能冷却规则等。修改这里可以快速创建“快速局”或“标准局”。src/lib/ai-models.ts: 这里管理着可用的AI模型列表及其对应参数。你可以在这里添加新的模型供应商，或调整现有模型的参数（如maxTokens,temperature）。export const availableModels = [ { id: 'deepseek-v3.2', name: 'DeepSeek V3.2', provider: 'zenmux', config: { temperature: 0.7 } }, { id: 'qwen-max', name: 'Qwen3 Max', provider: 'dashscope', config: { temperature: 0.8 } }, // ... 添加新模型 ];src/data/personalities.ts: 这里是虚拟人格库。你可以在这里预定义大量有趣的人格模板，游戏开始时AI会随机分配一个。
5.3 常见问题与排查实录
在开发和运行过程中，你可能会遇到以下问题：
| 问题现象 | 可能原因 | 排查与解决思路 |
|---|---|---|
| 游戏卡在“AI思考中...” | 1. AI API调用超时或失败。 2. 网络连接问题。 3. API密钥无效或额度用尽。 | 1. 打开浏览器开发者工具（F12）的“网络（Network）”标签，查看对/api/ai/action或类似端点的请求是否返回错误（如429、500）。2. 检查ZenMux控制台，确认API密钥有效且有余量。 3. 临时在配置中切换到一个更稳定或免费的模型（如Qwen的某些免费额度型号）进行测试。 |
| AI行为不符合预期或胡言乱语 | 1. 系统提示词（Prompt）设计有歧义。 2. 温度（Temperature）参数过高。 3. 上下文历史过长导致模型混乱。 | 1.核心检查点：仔细审查发送给AI的完整Prompt，确保角色、规则、任务指令清晰无矛盾。可以在后端日志中打印出完整的请求Payload进行调试。 2. 对于关键行动（如杀人、救人），将 temperature降至0.1-0.3。3. 实现“上下文窗口管理”，只保留最近N轮的关键信息（如投票结果、死亡情况）在历史中，过长的聊天记录可以总结摘要后再喂给AI。 |
| 前端动画卡顿或不同步 | 1. 大量状态更新导致React重复渲染。 2. Framer Motion动画与AI响应线程冲突。 | 1. 使用Jotai的select或React的useMemo、React.memo来优化组件，避免不必要的渲染。2. 将AI响应处理与动画触发逻辑用 setTimeout或requestAnimationFrame适当解耦，确保主线程流畅。 |
| 多人模式下状态不同步 | WebSocket连接断开或消息丢失。 | 1. 实现健壮的重连机制和心跳检测。 2. 在每次关键状态变更后，广播全量的游戏状态快照给所有客户端，客户端以服务端状态为“唯一真相源”，避免状态分歧。 |
踩坑记录：API成本控制。让多个AI模型持续对话，Token消耗非常快。我们采取了以下策略优化：1) 对AI的发言长度做限制（
maxTokens）；2) 在非必要环节（如等待玩家操作时）暂停AI轮询；3) 考虑使用更小、更经济的模型来处理一些简单的状态判断。务必在开发初期就设置好预算警报。
6. 未来展望与扩展思路
Wolfcha已经搭建了一个极具潜力的框架，未来的扩展方向非常有趣：
- 自定义模型竞技：允许玩家在创建房间时，像选英雄一样为每个席位选择不同的AI模型（例如，“1号位用DeepSeek，2号位用Kimi”），进行真正的“模型对决”。
- 赛后复盘与AI聊天：游戏结束后，不仅可以回看录像，还可以“采访”任意一位AI玩家：“你当时为什么投了A玩家？”、“你作为狼人，觉得哪一步最惊险？”。这能产生大量有趣的、基于本局游戏内容的衍生对话。
- 特殊技能与模组：引入更多身份和技能，如“丘比特”、“盗贼”等。甚至可以设计“时间回溯”技能，让玩家有机会重演上一轮的发言，观察AI的不同选择。
- 人格市场与评级：社区可以创作并分享高质量的“虚拟人格”配置文件。玩家可以为游戏中表现出色的AI人格点赞，形成一个“最强狼人AI”排行榜。
这个项目的魅力在于，它既是一个好玩的游戏，也是一个观察和研究AI行为的绝佳窗口。看着不同“性格”、不同“大脑”的AI在同一个规则下博弈、欺骗、合作，其过程本身就充满了意想不到的乐趣和启发。它让我们以一种全新的方式，重温了狼人杀这个经典游戏的核心魅力。