本文来自宾夕法尼亚大学和马里兰大学巴尔的摩县分校的联合研究，第一作者 Andrew Zhu，通讯作者 Chris Callison-Burch。

研究团队提出了 CALYPso（Collaborative Assistant for Lore and Yielding Plot Synthesis Objectives）——一套基于大语言模型的交互系统，能帮助龙与地下城（D&D）的地下城主（DM）在游戏进行中快速消化怪物信息、头脑风暴遭遇场景。他们在为期四个月的大规模部署实验中，让 71 名玩家实际使用这套系统，验证了 LLM 作为「协同 DM」的可行性。

据作者所知，这是首个在如此规模上研究 LLM 与 D&D 玩家实际交互的工作。

论文链接：https://ojs.aaai.org/index.php/AIIDE/article/view/27534

代码链接：https://github.com/northern-lights-province/calypso-aiide-artifact

DM 的苦：信息过载与即兴创作的双重压力

龙与地下城是一种合作叙事桌游，一位被称为地下城主（Dungeon Master, DM）的玩家负责构建世界、扮演 NPC、设计战斗遭遇，同时维护故事的内部一致性。一局游戏往往持续数月甚至数年，随着剧情推进，世界设定和规则越来越复杂。

听起来就够累的了。但 DM 面对的实际认知负担远比想象中重。研究团队在早期访谈中发现，D&D 官方参考手册对怪物的描述平均达到 374 个词，最长的超过 2300 个词——而且用的是大量文学修辞。比如，枭熊（Owlbear）的开场描述是这样的：「枭熊的尖啸回荡在黑暗的峡谷与幽暗的森林中，刺破宁静的夜空，宣告着猎物的死亡。」接下来还有七段类似风格的文字。

一位受访者直言不讳：「我更想当指挥家，而不是既铺铁轨又给火车加燃料的人。」

DM 的痛点可以归纳为三类。一是「灵感枯竭」——随机遭遇（Random Encounter）要求 DM 即兴创作完整场景，但根本没有提前准备的时间。二是「短期记忆超载」——同时管理叙事、追踪怪物属性数值、回应玩家行动，让 DM 疲于应付。三是「信息提取困难」——复杂的文学修辞让 DM 在紧张的游戏节奏中难以快速抓到关键信息。

然而，这些痛点恰恰指向了一个切入点：LLM 擅长总结、生成创意文本、利用预训练中的知识补充上下文。问题是——DM 真正需要什么样的 AI 辅助？直接让 LLM 当 DM，还是让它在幕后打下手？

CALYPso 的设计哲学：幕后顾问，不是替代品

针对 DM 的实际需求，研究团队设计了三个 LLM 驱动的交互界面。核心设计哲学很明确：所有生成内容先给 DM 看，由 DM 决定采用、修改还是丢弃。CALYPso 不替代人，只辅助人。

下面逐一介绍这三个接口。

遭遇理解（Encounter Understanding）——最核心的接口。当随机遭遇生成后，DM 按下按钮，系统将遭遇场景描述、怪物属性和背景故事打包成提示词发送给 GPT-3（text-davinci-003），生成一段简明的遭遇摘要。

但这个接口的设计经历了一次关键迭代。最初使用「总结」（Summarization）指令时，GPT-3 倾向于复述数值属性，完全无视了提示词中「不要提到游戏数值」的指令。比如遇到 12 只闪现犬（Blink Dog）时，模型只是把属性数值换个说法重新列了一遍。DM 们反馈：「这对实际跑团没什么帮助。」

研究团队随后把指令改成了更抽象的「理解」（Abstractive Understanding），明确要求模型关注怪物外观、行为特征和互动方式，并允许调用「神话、常识和文化」中的知识来补充信息。这一改动效果极为显著——后文会展开。

聚焦头脑风暴（Focused Brainstorming）——当遭遇理解提供的信息不够时，DM 可以开启私密对话线程，针对当前遭遇向 ChatGPT（gpt-3.5-turbo）提问。系统自动将遭遇信息和之前的摘要作为上下文注入，DM 不需要手动复制粘贴。

开放域聊天（Open-Domain Chat）——作为基线对照，所有玩家都可以随时开启不限主题的 ChatGPT 对话，没有遭遇上下文的注入。

四个月 71 人实测：数据说明了什么

研究团队搭建了一个「活体世界」（Living World）实验环境：71 名玩家在同一个 D&D 世界中以文字跑帖（Play-by-Post）的方式游戏，通过 Discord 服务器和 Avrae 机器人进行。实验持续四个月。

这种设置在保留 D&D 核心体验的同时，允许研究者大规模观察 AI 辅助工具的实际使用情况。几个关键发现值得展开。

「理解」远比「总结」有效

遭遇理解接口的两次迭代形成了鲜明对比。总结模式在 37 次遭遇中，13 次 DM 表示有帮助，7 次没帮助。理解模式在 114 次遭遇中，55 次有帮助，仅 2 次没帮助。

以闪现犬遭遇为例，总结模式只是把属性换了个说法：「它们有 13 的护甲等级，22 点生命值，40 英尺移动速度……」理解模式的输出则完全不同：「闪现犬是犬科生物，体型与大型犬相当。毛发呈斑驳灰白色，使用超自然能力闪现进出时眼睛闪烁黄光。它们好奇但害羞，受威胁时会利用闪现能力迷惑对手，然后以群体战术发起攻击。」

后面这段描述中，毛色、瞳孔闪烁、群体战术这些细节在官方设定里都不存在——是模型从训练数据中的奇幻文学知识里「补」出来的。DM 们恰恰需要这种补充。

研究者推测，GPT-3 可能对「总结」一词存在过拟合倾向，导致输出保守。这提醒我们：在创意辅助场景中，提示词设计的细微调整会产生质的区别。

幻觉的双面性

LLM 的幻觉（Hallucination）在 D&D 场景中呈现出微妙的双面性。严重幻觉会导致事实性错误——比如给巨型蜘蛛赋予心灵感应能力，或给冰霜蝾螈加上翅膀。这些会被 DM 直接丢弃。

但轻度的「创造性幻觉」恰恰是 DM 需要的。比如上面闪现犬的毛色和瞳孔描述，官方设定中根本没有，但完全符合 D&D 的奇幻世界观。DM 们欣然采纳了这类补充，甚至在此基础上进一步发挥。

换句话说，DM 充当了模型输出的「策展人」。与其要求 LLM 零幻觉，不如设计一个人在回路（Human-in-the-loop）的流程——让模型大胆生成，让人类筛选把关。这在创意辅助场景中可能比追求精确性更实际。

DM 怎么用头脑风暴接口

聚焦头脑风暴接口在 71 次遭遇中被使用，共 162 轮对话。DM 的用法远比研究团队预期的丰富。

最常见的是请求场景描述——先要一个高层概述，等玩家与某个元素互动后再追问细节。比如一位 DM 先让模型描述一个被冲上岸的船首像，等玩家开始调查后再追问「它的雕刻工艺，可能是哪个种族制作的」。

另一个高频用法是询问怪物战术：「一群狼会怎么接近一个露营的冒险队？」模型建议让狼「绕到营地两侧，躲在树木和灌木后面……等到有队伍成员落单再发动攻击，试图分散和削弱队伍」。DM 不一定会照搬，但这些具体的战术建议为创作提供了起点。

有意思的是，DM 还会让模型在两个叙事选项之间给出「意见」——比如迷雾下面应该是深谷还是浅谷。模型有时会给出分析但拒绝做决定，有时则直接表态。DM 并不指望模型替自己做决定，但这种「讨论」本身就有助于梳理思路。

摩擦力决定使用率

开放域聊天和聚焦头脑风暴的对比揭示了一个关键设计原则。

开放域聊天有 51 个线程，平均每个线程 45 轮对话——玩家用它来生成任务创意、角色命名、甚至写同人文。但 DM 在实际跑团中几乎不用它。聚焦头脑风暴平均只有 2.3 轮对话，但在游戏中使用频率远高于开放域聊天。

原因很直接：聚焦接口自动注入了遭遇上下文，DM 只需打字提问；开放域聊天需要手动复制粘贴大量信息，严重打断游戏节奏。

在同步协作场景中，减少摩擦比增加功能更重要。即使 DM 有能力手动给 LLM 提供上下文，多出来的操作步骤也足以让工具被弃用。

总结

CALYPso 的核心价值不在于模型层面的技术突破，而在于对人机协作模式的实证理解。三项结论值得记住。

LLM 是合格的头脑风暴伙伴。DM 用它生成低保真创意（自己进一步发展）和高保真描述（几乎直接展示给玩家），都取得了不错的效果。在 71 人的实际游戏中，系统保持了持续的使用率。

LLM 的「主题常识」（Thematic Commonsense）是可激活的隐藏能力。GPT-3 的训练数据中包含大量奇幻文学和 D&D 资料，但必须通过明确指令才能调用。简单地把「总结」换成「理解」，就能解锁完全不同水平的输出。

人的创造力不能被替代。CALYPso 被设计为辅助工具而非替代品——所有输出都经 DM 审核。研究发现，DM 们恰恰珍视这种「最终决定权」。他们从模型输出中挑选精彩片段，否定不合理的部分，有时甚至因为不同意模型的描述而写出更好的版本。

未来，如何让这类工具支持更长的叙事连贯性、处理不在训练数据中的原创世界观、以及扩展到其他桌游和创意写作场景，仍是值得探索的方向。