符号化支架玩法：为生成式NPC对话设计角色敏感提示

大型语言模型（LLM）有望通过使非玩家角色（NPC）能够持续无脚本对话来变革交互式游戏。然而，是否发现受约束提示实际上改善了玩家体验尚不明确。我们通过由GPT-4o驱动的侦探游戏《The Interview》来调查此问题。在内部分科的可用性研究（$N=10$）中，将高约束提示（HCP）与低约束提示（LCP）进行比较，结果发现技术故障之外没有可靠的体验差异。基于这些发现，我们重新设计了HCP，采用混合JSON+RAG支架，并以LLM评判器进行合成评估，将其定位为可用性测试的早期阶段补充。结果发现，支架效应是角色依赖的：作为任务提供者NPC的Interviewer获得了稳定性，而嫌疑人NPC则丧失了 improvisational believability。这些发现推翻了更紧密的约束必然增强游戏玩法的假设。扩展模糊-符号化支架，我们提出“符号化支架玩法”框架，其中符号结构以模糊数值边界表达，以在需要稳定性的地方保持连贯性，同时在惊喜维持参与度的地方保留 improvisation。