狼人杀实机 · 蓝图 · 独立记忆

从完整狼人杀 Demo 学多会话

先运行现成对局，看见 10 名玩家同时存在；再回到 GameCore，理解每个身份怎样持有独立 Agent、接收公开或私密记忆，并把异步结果送回正确玩家。

多 Agent 的真实模型

整个进程共享一份每个 Agent 独立一份
GPU 模型、运行时状态、串行推理队列、项目默认采样参数显示名、System Prompt、工具声明、规范化记忆、当前请求与生命周期
创建 6 个 Agent 不会加载 6 份模型。它只是在同一个 Runtime 上创建 6 段逻辑对话。请求可以排队，但 GPU 推理由插件按设计串行执行。

凡是对象需要独立记忆，就应该使用 Agent，例如 NPC、队友、裁判、游戏身份、多个聊天标签页，以及狼人杀这类多角色模拟。

Run before reading

先用两张图确认完整 Demo 可以运行

如果还没有完成单对话链路，请先回到 逐帧快速入门；本页从已经能收到本地回答开始。

A

打开 L_WerewolfShowcase，点击 Play，并确认配置页显示 10 名玩家。

完整狼人杀 Demo 的 10 人配置页
每名 AI 都会在同一份本地 GPU 模型上创建独立 Agent；人数不是模型副本数量。
B

点击 START，确认玩家名册、阶段和现场发言区同时出现。

狼人杀 Demo 中 10 名玩家进入夜晚行动
这张运行画面是后文所有结构的目标：每名玩家有独立记忆，但共享同一 Runtime 与串行 GPU 推理队列。

1. 先准备蓝图数据

1

创建 Agent 容器

增加名为 Conversations 的数组，类型为 Lite Rt Lm Agent Object Reference。如果经常按身份 ID 查找，再维护一个“角色/玩家 ID → Agent”的 Map。

2

定义身份记录

每个身份至少提供稳定 ID、显示名、System Prompt，以及可选的 Tool Declarations JSON。秘密身份信息放在对应身份自己的 Prompt 或选定记忆里，不要放进所有人共享的 Prompt。

2. 每个身份创建一个 Agent

  1. 循环身份/玩家记录。
  2. 创建 Lite Rt Lm Agent Config。
  3. 设置 Display Name、System Prompt 和可选的 Tool Declarations Json。
  4. 调用 Create Conversation (Advanced)。
  5. 把返回的 Agent 加入数组或 ID Map。
已有 Subsystem 写法仍然正确。Get LiteRT-LM Runtime → Create Agent 创建的是同一种 Agent。新的蓝图建议使用 Create Conversation (Advanced) 场景工厂，只是因为搜索和理解更直接。
狼人杀 GameCore 蓝图创建多个 LiteRT-LM Agent 并加入数组
现有狼人杀 GameCore 通过 Runtime Subsystem 创建每个 Agent，并把结果存入 LiteRtLmAgents。新蓝图可使用等价的场景工厂。

3. 创建后立即绑定事件，并保留结果身份

每个 Agent 创建后立即绑定：

  • On Completed：最终文本、工具调用、记忆快照、指标与错误字段。
  • On Text Chunk：流式 UI。
  • On Error：配置错误或请求未被接受。
  • On State Changed：创建、加载、就绪、运行和结束状态。
  • On Memory Changed：可选的保存或 UI 观察。

完成委托不会额外携带你的玩法身份 ID。可以为不同身份绑定专用处理器、给每个 Agent 配一个小型持有对象/组件，或者在 Ask 时建立“Request ID → 身份”的 Map。异步完成后不要依赖“循环最后一次的 Index”。

4. 一定要问到正确的 Agent

3

按稳定的玩法身份选择

把当前发言者/玩家 ID 解析为对应 Agent，检查引用有效且 Is Busy 为 false，再调用 Ask。保存返回的 Request ID，直到完成事件抵达。

不要为了“让大家知道某件事”而对所有 Agent 调用 Ask。Ask 会执行推理并新增 AI 回答。共享既定游戏状态应使用记忆接口，而不是让所有角色都发言。

5. 正确分发公开信息和私密信息

真实公开事件

对相关 Agent 数组调用 Append Memory Message to Conversations，写入事件本身，例如：

Role: user
Content: [游戏事件] 第 2 天发言阶段，3 号玩家公开声称自己是狼人。

这个调用只改变记忆，不执行推理。数组中每个有效且不重复的 Agent 都会得到同一条规范化消息。

真实私密事件

只取得应该知道它的 Agent，并逐个调用 Append Memory Message。例如狼队友信息、预言家的查验结果、私密任务、只有某个 NPC 知道的事实。

不要用“该信息已公开，请你后续记住”这类提示词补丁解决路由。应把真实事件写入正确角色的记忆。可见性是游戏状态层的收件人选择，不是交给模型猜测的一句话。

6. 游戏决策使用低随机性的选项

投票、选工具或其他结构化决策，可以生成以下请求选项：

  • Make Precise Decision Ask Options：低随机性，不启用 Thinking。
  • Make Reasoned Decision Ask Options：固定 Seed，启用 Thinking，适合结构化推理决策。

建议声明类似 vote_player 的工具，并要求整数玩家 ID。游戏代码负责执行和校验动作；模型不应直接修改对局状态。

如果回答未通过校验，在重试前调用 Reject Last Response。它会移除最后一条终止态 AI 回答，同时保留产生这次回答的输入，避免错误决定被继续强化到规范化记忆里。

狼人杀测试：玩家公开自爆狼人身份

这是很好的端到端上下文测试，因为下一轮投票是否合理非常容易观察。

  1. 开始一局，为每个 AI 玩家创建独立 Agent。
  2. 当真人说“我是狼人，我的狼队友是 4 号”时，把这句已经说出口的话视为真实公开游戏事件。
  3. 把该事件追加到所有存活玩家的对话记忆；不要写入玩家从未公开的引擎内部真相。
  4. 投票前导出每个相关 Agent 的记忆，确认精确事件确实存在。
  5. 对每个存活 AI Agent 使用决策/工具结构发起投票请求。
  6. 校验投票目标仍存活且具备资格，并记录 Request ID、Agent ID、目标与校验结果。
正确解释测试结果：如果自爆事件已经存在于 Agent 的导出记忆中，但它仍投给别人，应继续检查决策说明、工具结构、采样参数与校验逻辑；如果事件根本不在记忆中，问题是生命周期或记忆路由，不是“AI 逻辑”。

按顺序排查“AI 完全没看对话”

检查顺序能够证明什么
1. Agent 身份
创建、Ask、完成时记录 Get Agent Id 和 Display Name。		你提问的就是你检查记忆的那个对象。
2. 生命周期
确认数组/Map 仍持有 Agent，没有被新的 Agent 替换。		对话没有被静默重建。
3. 规范化记忆
Ask 前立即调用 Export Memory Json。		模型输入中确实包含该游戏事件。
4. 请求身份
完成结果与 Ask 返回的 Request ID 对应。		旧队列结果没有被错误应用到当前回合。
5. 决策协议
检查 Tool Call 参数和校验结果。		解析或游戏校验没有丢弃模型真正给出的选择。
6. 诊断
临时启用 Detailed Diagnostics。		可以在磁盘上关联完整上下文与运行时结果。

安全结束或替换一局游戏

对数组调用 Close and Clear Conversations。整局或整场景替换时保持 Unbind Events Before Close 开启，避免旧请求取消后的回调进入新状态机。随后清理 Request ID Map 与玩法持有对象。