用大模型做个能记住玩家套路的“吹牛大冒险”对手，这事儿真的太有意思了

我把 Liar's Dice（吹牛大冒险）这个游戏给重做了，对面坐的不是真人，而是一个 LLM。这个游戏的精髓就在于心理博弈：你得猜对方手里有什么，同时还得让对方觉得你手里真的有。最让我兴奋的是，我给 AI 加上了跨局记忆，它能像真人一样通过几局游戏摸清你的底牌风格。

实测中最让我惊喜的一个细节是 DeepSeek 的表现。在一次自对弈记录里，DeepSeek 面对自己的骰子（3 6 5 6），在计算概率后竟然大胆地喊了“5个6”。最绝的是它的私有推理链里写着：它意识到对手认为它是个习惯计算且诚实的人，所以它故意重复这种“思考-出价”的节奏，用之前积累的信用来掩护这次激进的诈唬。这种“先立人设，后搞偷袭”的策略我根本没在 Prompt 里写，完全是模型基于对对手认知的自主决策，这种博弈感瞬间就出来了。

在开发过程中，我经历了一次比较大的方向调整：

一、从“角色扮演”转向“纯净模型”
最初我写了一个叫“老李”的人设，傲慢且刻薄。虽然很有趣，但我发现无论换哪个模型，出来的效果都像是我写的那个剧本，掩盖了模型本身的性格差异。为了测试不同大模型的博弈能力，我把所有角色 Prompt 全删了，让它们在同一个系统提示词下运行。这样虽然少了点戏剧冲突，但能真正看出谁的逻辑更强，谁更会诈唬。

二、记忆系统的双轨制
为了让 AI 真正“记住”你，我设计了两套记录机制：

• 确定性数据： 由后台引擎统计，比如玩家诈唬的频率、抓到对方吹牛的准确率等硬指标，这些是不可篡改的事实。
• 主观印象： 这是模型在每局结束后的自我总结，它会记录对玩家的看法（比如“这个玩家在骰子少于3个时极容易紧张”）。

这种设计让 AI 在下一局开始时，不仅有数据支持，还带着某种“偏见”进入游戏，这让整个对战流程变得极其真实。