我意外地挑选了最容易导致AI连续性错误的那类游戏。-墙外贴吧

我用生成式AI做了一个名为《Slide Fourteen》的浏览器解谜游戏，结果不小心选了一个AI连续性错误特别扎眼的题材。

这是一个虚构的1997年大学档案库。

玩家需要阅读旧邮件、研究笔记、图书馆记录、人事档案、标本记录以及大量刻意显得枯燥的小文件。游戏更深层的玩法，是通过比对这些材料，还原出真正发生了什么。

所以如果AI忘了什么，不小心自相矛盾……那看起来就完全像是一条线索。哈哈。

我的工作流程最终和预想的不太一样。

我没有先写好完整故事再让ChatGPT填充文笔。而是给了它世界观、方向和约束条件，然后让它生成大量实际内容——包括文字、角色创意、网站/代码工作、视觉、结局，甚至隐藏素材。

然后我成了"连续性警察"。

我会拒绝那些太过泛泛、过于明显、不符合1997年背景、不符合角色性格，或者与已有内容冲突的东西。

但如果只是因为我没提前策划好，我不会自动拒绝。

有时模型会创造出让我惊喜的关联或主题。我会回头翻遍整个档案库，试着打破它。如果它仍然合理，就能成为正典。

这大概是我从这个项目中学到的最重要一课：

AI生成不是瓶颈。筛选和一致性才是。

保持设定范围相对较小很有帮助。另外，反复把旧生成内容当作固定素材，而不是每次有新想法就悄悄重写历史，也很有用。

完成的游戏也在游玩过程中外接了AI：人类浏览档案库，同时玩家自己的AI扮演"分析师"角色，处理损坏或结构化的记录，一些信息会分给这两个角色。

如果你想知道通过质检的成品是什么样的，可以免费在浏览器中玩：

有人碰到过这种反转吗？一旦你的模型生成速度超过你审查的速度，在AI游戏开发流程中，质检/筛选是否就成了真正的瓶颈？

我意外地挑选了最容易导致AI连续性错误的那类游戏。