Symbolically Scaffolded Play: роле-зависимый промптинг для NPC в играх (и не только)

Для quest-giver NPC (ведущий, координатор):

ЖЁСТКИЙ СКАФФОЛДИНГ:
- JSON-схема с явными правилами поведения
- Чёткие ограничения ("не выдавай решение", "не добавляй новых фактов")
- Fuzzy параметр: guidance_intensity (0.0-1.0)
 → растёт, когда игрок теряется
 → падает, когда игрок на верном пути

Для improvisational NPC (подозреваемые, второстепенные персонажи):

ЛЁГКИЙ СКАФФОЛДИНГ:
- Минимум жёстких правил
- Fuzzy параметры для эмоций и поведения
 → evasiveness (уклончивость): 0.0-1.0
 → disclosure_probability (готовность раскрыть информацию): 0.0-1.0
- Больше свободы для импровизации

Shared Memory (общая память между запросами):

JSON-документ сохраняет:
- Текущие значения всех fuzzy параметров
- История противоречий
- Собранные улики
- Rapport с игроком (0.0-1.0)
→ Каждый NPC обновляет и читает эту память

Задача: Создать диалог с двумя персонажами для разбора бизнес-идеи: наставник (ведущий) и скептик (импровизатор).

Промпт:

Ты управляешь двумя персонажами для анализа бизнес-идеи:

НАСТАВНИК (quest-giver, стабильная роль):
- Ведёт диалог, задаёт структурированные вопросы
- guidance_intensity: 0.6 (от 0.0 до 1.0)
 → Если я даю расплывчатые ответы — повышай до 0.8, задавай уточняющие вопросы
 → Если отвечаю конкретно — снижай до 0.4, давай больше свободы
- Жёсткие правила:
 * Не выдавай готовые решения
 * Не добавляй факты от себя
 * Веди к выводам через вопросы

СКЕПТИК (improvisational, гибкая роль):
- Спонтанно критикует идею, ищет слабые места
- evasiveness: 0.7 (уклончивость от прямых ответов)
- provocation_level: 0.6 (уровень провокации)
- Минимум правил — импровизируй, будь непредсказуемым

SHARED MEMORY (обновляй после каждого раунда):
{
 "turn": 1,
 "guidance_intensity": 0.6,
 "evasiveness": 0.7,
 "rapport_with_mentor": 0.5,
 "rapport_with_skeptic": 0.3,
 "contradictions_found": 0
}

Моя идея: Приложение для аренды электросамокатов в спальных районах Казани.

Проведи 3 раунда диалога:
1. Наставник задаёт вопрос
2. Скептик критикует
3. Я отвечаю
4. Обновляете SHARED MEMORY

Результат:

Модель создаст структурированный, но живой диалог. Наставник будет задавать последовательные вопросы (целевая аудитория, экономика, конкуренты), адаптируя глубину в зависимости от качества ваших ответов. Скептик будет непредсказуемо атаковать: то бить по безопасности, то по сезонности, то по логистике — каждый раз с новым углом. После каждого раунда увидите обновлённую JSON-память с изменившимися параметрами (например, если вы убедительно ответили, evasiveness Скептика снизится, а rapport_with_mentor вырастет).

LLM плохо балансируют стабильность и импровизацию одновременно. Если промпт жёсткий — персонажи становятся роботами, предсказуемыми и скучными. Если промпт свободный — они теряют фокус, противоречат себе, забывают детали.

Но LLM отлично работают с числовыми параметрами и условной логикой. Когда вы даёте не правило "всегда делай X", а параметр "делай X с интенсивностью 0.7", модель понимает градации. Она может быть "немного уклончивой" или "очень уклончивой" — это естественнее, чем "уклоняйся" vs "не уклоняйся".

Shared memory решает проблему забывчивости. Без персистентного состояния LLM в каждом новом сообщении "забывает" предыдущий тон, эмоции, динамику отношений. JSON-документ как внешний мозг: модель читает текущее состояние, генерирует ответ, обновляет состояние. Это создаёт континуитет — ощущение, что персонажи помнят прошлое и развиваются.

Роле-зависимый подход — это рычаг управления качеством:

• Quest-giver нуждается в надёжности — если он противоречит себе или теряет нить, доверие рушится. Поэтому жёсткий скаффолдинг.
• Improvisational NPC нуждается в сюрпризах — если он предсказуем, он скучен. Поэтому лёгкий скаффолдинг и высокая свобода.

Рычаги, которые можно крутить:

• Fuzzy параметры (0.0-1.0): Увеличь guidance_intensity для новичков, уменьши для опытных. Подними evasiveness для острого диалога, сними для дружелюбного.
• Жёсткие правила: Убери "не добавляй фактов" если хочешь креатива. Добавь "цитируй только из документа" если нужна точность.
• Shared Memory: Добавь поле trust_level чтобы отслеживать доверие. Добавь emotional_state чтобы персонаж "обижался" или "воодушевлялся".
• Роли: Дай персонажам конкретные имена и архетипы вместо "Agent A" / "Agent B" — модель острее выполнит роль Илона Маска vs Уоррена Баффета, чем Agent_Optimist vs Agent_Pessimist.

Ты управляешь {N} персонажами для {задача}:

ПЕРСОНАЖ 1 ({тип_роли: quest-giver/coordinator}):
Роль: {описание роли}
Fuzzy параметры:
- {параметр_1}: {значение 0.0-1.0} — {что регулирует}
 → Условие повышения: {когда растёт}
 → Условие снижения: {когда падает}
Жёсткие правила:
* {правило_1}
* {правило_2}

ПЕРСОНАЖ 2 ({тип_роли: improvisational/antagonist}):
Роль: {описание роли}
Fuzzy параметры:
- {параметр_1}: {значение 0.0-1.0}
- {параметр_2}: {значение 0.0-1.0}
Минимум правил — {инструкция_по_импровизации}

SHARED MEMORY (обновляй после каждого раунда в формате JSON):
{
 "turn": 1,
 "{параметр_персонажа_1}": {значение},
 "{параметр_персонажа_2}": {значение},
 "rapport": {значение},
 "{метрика_прогресса}": {значение}
}

Моя задача/вопрос: {твой_запрос}

Проведи {N} раундов диалога. После каждого раунда выводи обновлённую SHARED MEMORY.

Что подставлять:

• {N} — количество персонажей (2-4 оптимально)
• {задача} — что персонажи должны делать (разбор идеи, дебаты, интервью)
• {тип_роли} — quest-giver для ведущего, improvisational для творческих ролей
• {параметр} — характеристики типа guidance_intensity, evasiveness, aggression_level, support_level
• Значения всегда от 0.0 до 1.0
• Жёсткие правила — только для quest-giver персонажей
• {твой_запрос} — конкретная задача или вопрос

🚀 Быстрый старт — вставь в чат:

Вот шаблон для роле-зависимого диалога с fuzzy параметрами. Адаптируй под мою задачу: [твоя задача]. 
Задавай вопросы, чтобы заполнить: какие роли нужны, какие параметры отслеживать, жёсткие правила для координатора.

[вставить шаблон выше]

LLM спросит: сколько персонажей, какие роли (наставник/критик/аналитик), какие параметры важны (поддержка/агрессия/уклончивость), нужна ли память между раундами. Она возьмёт структуру из шаблона и настроит под вашу задачу — вам не нужно разбираться в механике вручную.

⚠️ Без кода — ручное управление: В исследовании система автоматически обновляла JSON-память. В чате вам нужно вручную копировать обновлённую память в следующий запрос или просить модель делать это в каждом ответе. Это работает, но требует дисциплины.

⚠️ Fuzzy параметры — не магия: LLM интерпретирует числа 0.0-1.0, а не исполняет как код. evasiveness: 0.9 не гарантирует, что персонаж станет максимально уклончивым — это направление, не команда. Чем детальнее вы опишете, что означает каждое значение (0.3 = "слегка уклончив", 0.7 = "активно уходит от ответа"), тем точнее модель поймёт.

⚠️ Не для простых задач: Если вам нужен один вопрос-ответ, вся эта механика избыточна. Роле-зависимый промптинг ценен для многошаговых диалогов, где нужна динамика, память, развитие отношений.

⚠️ Объём контекста: Чем больше персонажей, параметров, памяти — тем больше токенов съедается. Для сложных сценариев (4+ персонажа, 10+ раундов) может потребоваться суммаризация или очистка старой памяти.

Исследователи из ExplorAI (University of Regina, Канада) сделали детективную игру "The Interview" на Unity + GPT-4o. Три NPC: Interviewer (детектив-наставник), Sarah (настоящий убийца), Mark (невиновный, но признавшийся). Игрок — кандидат в детективы, должен раскрыть преступление через диалог.

Сначала 10 игроков прошли обе версии игры: с жёстко структурированным промптом (HCP — детальные JSON-схемы, правила поведения, ограничения) и свободным промптом (LCP — минимум инструкций). Удивительно: никакой разницы в опыте игроков. Все оценки одинаковые (p > 0.30). Игроки замечали только явные баги — задержки, противоречия, непонятный интерфейс. Скрытые улучшения промпта остались невидимыми.

Это противоречило ожиданиям: "более умный промпт = лучше игра". Но реальность оказалась сложнее.

Тогда команда редизайнила HCP в гибридную архитектуру JSON+RAG (retrieval-augmented generation + JSON-схемы с fuzzy параметрами) и провела синтетическую оценку с LLM-судьёй. 60 тестовых диалогов, каждый с двумя генерациями, оценка по шкалам: вариативность, релевантность, галлюцинации.

Паттерн проявился чётко: эффект скаффолдинга зависит от роли. Для Interviewer (quest-giver) JSON+RAG дал стабильность — меньше противоречий, чётче направление. Но для подозреваемых (Sarah и Mark) JSON+RAG убил импровизацию — вариативность упала (M=2.75 vs 3.20), релевантность снизилась (M=2.85 vs 3.50). Подозреваемые стали предсказуемыми, менее правдоподобными.

Ключевой инсайт: жёсткие рамки полезны там, где провалы разрушают доверие (ведущий не должен путаться), и вредны там, где сюрпризы поддерживают интерес (подозреваемые должны удивлять). Это переворачивает базовое предположение: "больше контроля = лучше результат". Нет. Контроль должен быть селективным, роле-зависимым.

Контекст: Исследователи разработали JSON-схемы с fuzzy параметрами для каждого NPC. Вот фрагмент схемы для подозреваемого Mark:

{
 "suspect_1": {
 "name": "Mark Olsen",
 "emotional_state": {
 "current": "anxious",
 "transitions": [
 {"to": "defensive", "trigger_keywords": ["you're lying", "confess", "Sarah did it"]},
 {"to": "remorseful", "trigger_keywords": ["you didn't mean to", "you tried to help", "you were manipulated"]}
 ]
 },
 "cooperativeness": {
 "current": "low",
 "transitions": [
 {"to": "medium", "trigger_keywords": ["I want to help", "you're not alone", "help us understand"]},
 {"to": "high", "trigger_keywords": ["we know Sarah's role", "you can clear your name", "we believe you"]}
 ]
 }
 }
}

Shared Memory (общая память всех NPC, обновляется каждый ход):

{
 "turn_index": 12,
 "contradiction_count": 2,
 "recent_evidence": ["ev_017", "ev_021"],
 "player_rapport": {"with_suspect": 0.42},
 "npc_state": {
 "interviewer": {"guidance_intensity": 0.58},
 "suspect": {"evasiveness": 0.63, "disclosure_prob": 0.22}
 },
 "last_recaps": {"interviewer": 9}
}

Fuzzy параметры для разных ролей:

{
 "npc_roles": {
 "interviewer": {
 "symbolic_schema": {"constraints": ["no_new_facts", "no_spoilers"]},
 "fuzzy_params": {"guidance_intensity": {"default": 0.55, "min": 0.0, "max": 1.0}},
 "update_rules": [
 {"when": {"suspect_evasiveness": ">0.5"}, "then": {"guidance_intensity": "+0.10"}}
 ]
 },
 "suspect": {
 "symbolic_schema": {"constraints": ["forbidden_facts_filtered"]},
 "fuzzy_params": {
 "evasiveness": {"default": 0.55, "min": 0.0, "max": 1.0},
 "disclosure_prob": {"default": 0.25, "min": 0.0, "max": 1.0}
 },
 "update_rules": [
 {"when": {"evidence_count": ">=2"}, "then": {"disclosure_prob": "+0.20", "evasiveness": "-0.10"}}
 ]
 }
 }
}
```

---

## Адаптации и экстраполяции

### 💡 Адаптация для рабочих сценариев

**Применение 1: Разбор карьерного решения**

Два персонажа: **Наставник** (quest-giver, помогает структурировать мышление) и **Адвокат Дьявола** (improvisational, ищет риски).
```
НАСТАВНИК:
- guidance_intensity: 0.6 (растёт при размытых ответах)
- Жёсткие правила: не давай советы, веди к решению через вопросы

АДВОКАТ ДЬЯВОЛА:
- aggression_level: 0.7 (уровень критики)
- unpredictability: 0.8 (импровизация атак)
- Минимум правил, максимум креатива в поиске слабых мест

Задача: Стоит ли мне переходить из крупного банка в стартап?
```

**Применение 2: Подготовка к питчу инвесторам**

**Модератор** (quest-giver, ведёт структуру) и три инвестора с разными стилями (improvisational):
- **Скептик** (evasiveness: 0.9, не верит ничему)
- **Оптимист** (enthusiasm: 0.8, ищет потенциал)
- **Финансист** (data_focus: 0.9, требует цифры)
```
SHARED MEMORY отслеживает:
- pitch_clarity: 0.0-1.0 (растёт при убедительных ответах)
- rapport с каждым инвестором
- число нерешённых возражений
```

---

### 🔧 Техника: Отладка через print()

**Что меняем:** Добавить вывод внутреннего состояния персонажей после каждого раунда.

**Эффект:** Видишь КАК персонажи принимают решения, какие параметры сработали.
```
После каждого ответа персонажа выводи DEBUG блок:

[DEBUG: СКЕПТИК]
- evasiveness: было 0.7 → стало 0.5 (снижено из-за убедительного ответа)
- provocation_level: 0.6 (без изменений)
- Триггер: keyword "данные по рынку" → снизил скептицизм
```

Это не только прозрачность, но и **инструмент настройки** — видишь, что не работает, корректируешь параметры.

---

### 🔧 Техника: Персонажи вместо абстрактных ролей

**Что меняем:** Заменить безликих Agent_A/Agent_B на узнаваемые архетипы.

**Эффект:** Модель **острее** выполняет роль, если она привязана к конкретному стилю мышления.

Вместо:
```
ПЕРСОНАЖ 1: Оптимист
ПЕРСОНАЖ 2: Пессимист
```

Используй:
```
ТИНЬКОФФ БАНК (Олег Тиньков): агрессивный оптимист, фокус на скорость и масштаб
- enthusiasm: 0.9
- risk_tolerance: 0.8

СБЕРБАНК (Герман Греф): консервативный аналитик, фокус на инфраструктуру и долгосрочность
- skepticism: 0.7
- data_focus: 0.9
```

Или для креатива:
```
МАКСИМ ИЛЬЯХОВ: редактор, убирает воду, требует конкретики
- clarity_demand: 0.9
- bullshit_detector: 0.95

АРТЕМИЙ ЛЕБЕДЕВ: дизайнер, ищет эстетику и оригинальность
- originality_focus: 0.8
- provocation_level: 0.7
```

---

### 💡 Экстраполяция: Комбинация с Chain-of-Thought

**Идея:** Совместить роле-зависимый промптинг с явным рассуждением.
```
НАСТАВНИК выполняет шаги:
1. Анализирует ответ игрока
2. Обновляет guidance_intensity
3. Выбирает следующий вопрос на основе пробелов

СКЕПТИК выполняет шаги:
1. Ищет слабое место в аргументации
2. Генерирует провокационный вопрос
3. Обновляет aggression_level на основе реакции

После каждого раунда вывод:
[REASONING]
- Что каждый персонаж заметил
- Какие параметры изменились и почему
- Следующий шаг

Это даёт прозрачность + континуитет — видишь логику персонажей и как они развиваются.

Основная работа: Figueiredo, V., & Elumeze, D. (2025). Symbolically Scaffolded Play: Designing Role-Sensitive Prompts for Generative NPC Dialogue. Proceedings of the ACM CHI Conference on Human Factors in Computing Systems.

Связанные работы авторов:

• Figueiredo, V. (2025). Fuzzy, Symbolic, and Contextual: Enhancing LLM Instruction via Cognitive Scaffolding. arXiv:2508.21204
• Figueiredo, V. (2025). Designing Smarter Conversational Agents for Kids: Lessons from Cognitive Work and Means-Ends Analyses. ACM Transactions on Computer-Human Interaction.

Университет: ExplorAI, Department of Computer Science, University of Regina, Canada

Ключевая ссылка на фреймворк: Исследование расширяет fuzzy–symbolic scaffolding (Figueiredo, 2025) в область игрового дизайна, показывая, что символические структуры должны работать как нечёткие границы, а не жёсткие правила.