业务和功能介绍
# DSSTweb-dialogue 项目概述
## 一、立项背景与目标
现有 AI 角色扮演工具在结构化叙事管理方面存在明显短板：缺乏世界感知，AI 仅对当前轮对话做反应；记忆管理粗放，全量记忆线性增长导致输出文风僵硬；没有任务系统，无法提供多分支多结局的主线体验；缓存利用不足，推理成本偏高。SillyTavern 等工具被设计为通用聊天前端，架构上难以承载大世界模拟、结构化记忆、动态任务线等深层游戏化需求。
DSSTweb-dialogue 旨在构建独立的 AI 角色扮演叙事引擎，将 LLM 从对话机器人升级为叙事协同创作者。核心目标包括：设计三层 LLM 管线，将每轮回复拆解为世界分析、正文生成、任务更新三个阶段，各司其职层层服务；通过稳定的前缀消息结构充分利用 DeepSeek 前缀缓存，实现约百分之九十八的缓存命中率；引入世界线概念，主线是世界客观运行的剧本而非玩家任务清单，系统预测事件走向，玩家作为变数介入，形成自然叙事驱动的多分支多结局体验；构建大世界模拟内核，NPC 由位置、目标、情绪、认知和日程驱动自主行动，不等待主控命令；实现基于事件驱动的结构化记忆提取与关系网络增量更新；兼容 SillyTavern 角色卡、世界书和正则脚本等生态格式；提供轻量对话与全量刷新双模式，兼顾自然对话体验和上下文深度。
## 二、核心模块
前端为 Vite 加 TypeScript 加 Vue 3 单页应用，涵盖角色管理、世界书编辑、对话游玩、记忆关系面板、任务面板、Token 用量展示等功能。后端为 Express 5 加 SQLite 服务，包含路由层、三层 LLM 管线编排、提示词构造、协议解析、回合后处理、SQLite 持久化、OpenAI 兼容及 DeepSeek 网页 API 双客户端、世界书关键词激活引擎、世界状态报告六段式提取合并、SillyTavern 格式角色卡解析、正则脚本后处理引擎等模块。
## 三、业务流程
每次玩家输入触发完整的回合处理管线。服务端首先递增轮次计数并检查阶段截止时间。第一阶段调用 LLM 进行世界分析，判断世界书角色出场、随机事件是否发生、主线事件触发条件，输出结构化分析报告。第二阶段将分析结果注入消息头部，调用 LLM 进行正文生成，利用前缀缓存机制实现与第一阶段共享缓存命中。第三阶段从对话中提取任务进展，输出目标进度、事件触发、分支选择、结局倾向等结构化更新。服务端随后执行后果操作，包括事件触发后果、阶段完成后果、分支选择后果，并求值所有结局条件，满足即触发结局。最后合并记忆条目、关系增量与世界状态报告，回写 Token 用量。
对话发送分为两种模式。普通发送构建轻量提示词，仅含角色基本信息和对话历史，LLM 回复纯叙事正文，不产生协议块。发送全量构建完整提示词，注入记忆表格、关系网、世界状态和模
## 一、立项背景与目标
现有 AI 角色扮演工具在结构化叙事管理方面存在明显短板：缺乏世界感知，AI 仅对当前轮对话做反应；记忆管理粗放，全量记忆线性增长导致输出文风僵硬；没有任务系统，无法提供多分支多结局的主线体验；缓存利用不足，推理成本偏高。SillyTavern 等工具被设计为通用聊天前端，架构上难以承载大世界模拟、结构化记忆、动态任务线等深层游戏化需求。
DSSTweb-dialogue 旨在构建独立的 AI 角色扮演叙事引擎，将 LLM 从对话机器人升级为叙事协同创作者。核心目标包括：设计三层 LLM 管线，将每轮回复拆解为世界分析、正文生成、任务更新三个阶段，各司其职层层服务；通过稳定的前缀消息结构充分利用 DeepSeek 前缀缓存，实现约百分之九十八的缓存命中率；引入世界线概念，主线是世界客观运行的剧本而非玩家任务清单，系统预测事件走向，玩家作为变数介入，形成自然叙事驱动的多分支多结局体验；构建大世界模拟内核，NPC 由位置、目标、情绪、认知和日程驱动自主行动，不等待主控命令；实现基于事件驱动的结构化记忆提取与关系网络增量更新；兼容 SillyTavern 角色卡、世界书和正则脚本等生态格式；提供轻量对话与全量刷新双模式，兼顾自然对话体验和上下文深度。
## 二、核心模块
前端为 Vite 加 TypeScript 加 Vue 3 单页应用，涵盖角色管理、世界书编辑、对话游玩、记忆关系面板、任务面板、Token 用量展示等功能。后端为 Express 5 加 SQLite 服务，包含路由层、三层 LLM 管线编排、提示词构造、协议解析、回合后处理、SQLite 持久化、OpenAI 兼容及 DeepSeek 网页 API 双客户端、世界书关键词激活引擎、世界状态报告六段式提取合并、SillyTavern 格式角色卡解析、正则脚本后处理引擎等模块。
## 三、业务流程
每次玩家输入触发完整的回合处理管线。服务端首先递增轮次计数并检查阶段截止时间。第一阶段调用 LLM 进行世界分析，判断世界书角色出场、随机事件是否发生、主线事件触发条件，输出结构化分析报告。第二阶段将分析结果注入消息头部，调用 LLM 进行正文生成，利用前缀缓存机制实现与第一阶段共享缓存命中。第三阶段从对话中提取任务进展，输出目标进度、事件触发、分支选择、结局倾向等结构化更新。服务端随后执行后果操作，包括事件触发后果、阶段完成后果、分支选择后果，并求值所有结局条件，满足即触发结局。最后合并记忆条目、关系增量与世界状态报告，回写 Token 用量。
对话发送分为两种模式。普通发送构建轻量提示词，仅含角色基本信息和对话历史，LLM 回复纯叙事正文，不产生协议块。发送全量构建完整提示词，注入记忆表格、关系网、世界状态和模
项目实现
# 架构设计与工作总结
## 一、整体架构与设计思路
本项目是一个独立的 AI 角色扮演叙事引擎，采用前后端分离架构。前端为 Vite 加 TypeScript 加 Vue 3 单页应用，负责角色管理、世界书编辑、对话消息渲染、记忆关系面板、Token 用量展示等 UI 交互，使用 jQuery 辅助 DOM 操作，通过 SSE 协议实现 AI 回复的流式接收。后端为 Express 5 加 SQLite 服务，使用 Zod 做请求校验，通过 OpenAI 兼容 API 和 DeepSeek 网页 API 双路径对接大语言模型。
设计思路的核心是三层 LLM 管线。每轮玩家输入触发三次结构化的 LLM 调用，第一阶段进行世界分析，判断出场角色和事件触发条件；第二阶段基于分析结果生成叙事正文，支持流式输出；第三阶段从对话中提取任务进展和状态变更。三个阶段共享相同的消息前缀，充分利用 DeepSeek 的前缀缓存机制，实测缓存命中率达百分之九十八。
主线程务系统采用世界线设计，主线是世界客观运行的剧本而非任务清单。系统预测事件走向形成有向无环图，阶段间存在依赖关系，结局通过条件表达式自动求值。大世界模拟模块采用服务端调度加 LLM 叙事的混合方式，服务端每轮生成 NPC 候选推进项和主动权事件，LLM 将其转化为自然剧情。记忆系统采用事件驱动提取加自动合并压缩的策略，关系网络支持自定义字段增量更新。
## 二、负责模块与成果
本人独立完成了整个项目的设计与开发，涵盖前端 SPA、后端服务、数据库设计、LLM 提示词工程、主线任务系统、大世界模拟内核等全部模块。
核心成果包括：设计并实现了三层 LLM 管线架构，每轮三次调用实现结构化叙事，通过前缀缓存策略将综合推理成本降低至约百分之五。构建了完整的主线任务系统，支持多阶段多分支多结局，任务状态每轮自动更新，结局通过条件表达式自动触发。实现了大世界模拟内核，支持 NPC 自主行动与世界主动权机制，包含六类主动权事件和可见性投影系统。构建了结构化记忆系统，支持每轮自动提取和自动合并压缩。构建了关系网络系统，支持自定义字段和增量更新。实现了轻量和全量双模式对话，用户可每轮独立选择。兼容了 SillyTavern 生态的角色卡、世界书和正则脚本格式，降低了用户的迁移成本。
项目代码总量约一万五千行，其中前端 TypeScript 约五千行，服务端 JavaScript 约八千行，提示词模板约两千行。数据库采用 SQLite，包含角色、游玩轮次、消息、记忆、关系网等核心表结构。
## 三、难点与解决方案
第一个难点是 LLM 输出不稳定。LLM 在长上下文场景下容易遗漏指令或输出格式错误。解决方案是采用三层管线设计，每层职责单一、提示词精简；对关键输出做协议块解析和自动修补，解析失败时自动触发重试或修补
## 一、整体架构与设计思路
本项目是一个独立的 AI 角色扮演叙事引擎，采用前后端分离架构。前端为 Vite 加 TypeScript 加 Vue 3 单页应用，负责角色管理、世界书编辑、对话消息渲染、记忆关系面板、Token 用量展示等 UI 交互，使用 jQuery 辅助 DOM 操作，通过 SSE 协议实现 AI 回复的流式接收。后端为 Express 5 加 SQLite 服务，使用 Zod 做请求校验，通过 OpenAI 兼容 API 和 DeepSeek 网页 API 双路径对接大语言模型。
设计思路的核心是三层 LLM 管线。每轮玩家输入触发三次结构化的 LLM 调用，第一阶段进行世界分析，判断出场角色和事件触发条件；第二阶段基于分析结果生成叙事正文，支持流式输出；第三阶段从对话中提取任务进展和状态变更。三个阶段共享相同的消息前缀，充分利用 DeepSeek 的前缀缓存机制，实测缓存命中率达百分之九十八。
主线程务系统采用世界线设计，主线是世界客观运行的剧本而非任务清单。系统预测事件走向形成有向无环图，阶段间存在依赖关系，结局通过条件表达式自动求值。大世界模拟模块采用服务端调度加 LLM 叙事的混合方式，服务端每轮生成 NPC 候选推进项和主动权事件，LLM 将其转化为自然剧情。记忆系统采用事件驱动提取加自动合并压缩的策略，关系网络支持自定义字段增量更新。
## 二、负责模块与成果
本人独立完成了整个项目的设计与开发，涵盖前端 SPA、后端服务、数据库设计、LLM 提示词工程、主线任务系统、大世界模拟内核等全部模块。
核心成果包括：设计并实现了三层 LLM 管线架构，每轮三次调用实现结构化叙事，通过前缀缓存策略将综合推理成本降低至约百分之五。构建了完整的主线任务系统，支持多阶段多分支多结局，任务状态每轮自动更新，结局通过条件表达式自动触发。实现了大世界模拟内核，支持 NPC 自主行动与世界主动权机制，包含六类主动权事件和可见性投影系统。构建了结构化记忆系统，支持每轮自动提取和自动合并压缩。构建了关系网络系统，支持自定义字段和增量更新。实现了轻量和全量双模式对话，用户可每轮独立选择。兼容了 SillyTavern 生态的角色卡、世界书和正则脚本格式，降低了用户的迁移成本。
项目代码总量约一万五千行，其中前端 TypeScript 约五千行，服务端 JavaScript 约八千行，提示词模板约两千行。数据库采用 SQLite，包含角色、游玩轮次、消息、记忆、关系网等核心表结构。
## 三、难点与解决方案
第一个难点是 LLM 输出不稳定。LLM 在长上下文场景下容易遗漏指令或输出格式错误。解决方案是采用三层管线设计，每层职责单一、提示词精简；对关键输出做协议块解析和自动修补，解析失败时自动触发重试或修补
示例图片视频
相似推荐
中医肠胃病智能体-智痞通
本项目构建了一套融合提示词工程、指令微调、大语言模型（Large Language
Model, LLM）与检索增强生成（Retrieval-Augmented Generation, RAG）技术
的中医痞满智能辅助诊疗智能体，实现了多种前沿技术在中医领域的协同应用。
该智能体基于指令调优采用多层次 LLM 推理框架，整合本地化知识库检索机
制，实现了多模态数据（包括文本、语音及图像）到中医辨证论治决策的全流程
智能化处理。
《码上学》App-coze
图3
（二）学习板块：系统课程+趣味实践
这是我们精心打造的Python学习核心区域，采用"双轨并行"的学习模式：
课程学习模块（如图4）
● 资源整合：精选B站等优质平台的Python基础、数据挖掘等系列课程
● 分类清晰：按模块、方向进行分类，支持按需深入学习
● 适配人群：从零基础入门到进阶提升，覆盖不同学习阶段
图4
趣味学习模块
这是我们特别设计的创新功能，将枯燥的编程练习变成有趣的挑战：
1. 拆解代码挑战：提供一段完整代码，要求分析其功能、逻辑和算法，培养代码阅读能力
2. 魔改挑战：给定代码和新的需求，需要修改代码实现特定功能，加深对Python语法和逻辑的理解
3. 代码溯源：从运行结果反推代码实现，锻炼逆向思维和问题分析能力
这种游戏化的学习方式让我们在测试中发现，用户的学习积极性显著提升，平均学习时长增加了40%以上。
如图5
图5
AI编程助教
这是一个24小时在线的智能助教，它的核心能力包括：
● 多模态输入：支持文字描述、代码截图、错误信息截图等多种提问方式
● 智能诊断：快速识别语法错误、逻辑问题、运行时错误，并分析产生原因
● 分级讲解：根据用户水平自动调整讲解深度，初学者讲得更详细，有基础的同学提供进阶知识
● 标准化流程：每次回答按照"问题分析→解决步骤→代码示例→知识拓展"的顺序，帮助系统性理解
（三）发现模块：构建学习社区生态
学习不应该是孤独的，我们打造了一个活跃的编程学习社区：
交流圈
● 热门话题：以弹幕形式滚动展示当前热门讨论话题，点击即可进入
● 文章列表：支持"最热/最新/精华"排序，可按类型筛选
● 互动功能：评论、点赞、分享，形成良好的学习氛围
社区互动入口
● 代码分享墙：计划中的功能，用于展示优秀代码作品，支持双向学习
● 学习小组：规划中的功能，支持组队学习、进度同步、相互监督
交流互助板块
● 问题答疑：遇到编程问题可以发帖求助，社区成员或AI助手提供解答
● 经验分享：学习心得、踩坑经验、项目总结都可以在这里分享
● 知识沉淀：优质问答会被标记为精华，形成知识库
博客功能（如图6）
● 学习日志：记录每天的学习内容、心得体会、成长轨迹
● 技术分享：发布学习指导、教程文章
● 数据可视：查看自己的文章点赞量、浏览量、粉丝数
三、AI智能体应用（核心创新，如图7）
这是我们项目的最大亮点！我们基于Coze AI平台，设计并实现了五个具有实际应用价值的AI智能：
图7
场景一：AI智能招聘助理（校招小助手）
设计初衷：临近毕业时，我们发现很多同学因为缺少面试经验而紧张失常。如果能有一个AI面试官陪你练习，是不是能更从容地应对真实面试？
华为杯研究生数学建模大赛-抗胰腺癌候选药物的优化建模
据 2020 年国际癌症研究机构（IARC）调查的最新数据显示，乳腺癌在全球女性癌症中的发病率为 24.2%，位居女性癌症的首位。在药物研发领域，利用预测模型对能够拮抗 ERα 活性的化合物进行筛选的方法受到广泛的关注，本文通过建立回归与分类预测模型，对化合物的生物活性和 ADMET 性质做多目标优化求解
数据库管理平台-绿洲数据库管理平台
1.项目背景
公司内部管理的数据库类型种类繁多，数量庞大，权限管控难等问题，所以需要一款数据库管理平台，来统筹接觉这些问题
2.功能介绍
1）提供多种数据库类型的查询窗口，替换本地数据库工具
2）针对不同用户进行权限管理，以及数据库字段权限管理，支持字段加解密显示
3）支持多库多表等中间件配置
4）支持数据库日常维护工具，如数据迁移，数据归档等
AI搜索和创作平台-felo.ai
Felo.ai 是一款面向研究与内容生产场景的多语言 AI 搜索与创作平台，目标是在同一产品内打通「检索—理解—生成—交付」，降低用户在不同工具之间反复复制、整理信息的成本。平台以 AI 搜索为入口，支持自然语言提问、多源信息检索与结果结构化呈现，并可将检索结果进一步转化为演示文稿、研究报告、思维导图、网页内容等多种可交付成果。
核心功能模块包括：AI 搜索（Felo Search）、一站式创作（Felo Create）、AI Office 工具集（如 AI Slides、AI Research、AI Page、AI Image 等），以及 Felo Agent 智能体能力，用于自动化调研、摘要、翻译等复杂任务。典型业务流程为：用户输入问题或主题 → 系统检索并归纳关键信息 → 用户选择创作类型（如幻灯片、报告、页面）→ 平台基于上下文生成初稿 → 用户编辑、导出或分享。产品为 Web 端访问，强调多语言支持、可视化信息展示与从搜索到创作的连续工作流。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服