重點摘要
- 角色扮演情境的多樣性：本文探討了多種角色扮演情境，其中 LLM 可以化身歷史人物、虛構角色、像是醫生或律師的專業人士、電玩遊戲中的 NPC，甚至是文化大使。
- LLM 角色扮演的運作機制：深入探討 LLM 角色扮演的技術框架，包括提示工程、角色綱要建立、對話管理系統以及道德合規過濾器。
- 使用 LLM API 進行角色扮演的實用指南：本文提供逐步指南，說明如何透過 Novita AI 等平台，有效地使用 LLM API 進行角色扮演。內容涵蓋建立帳戶、產生 API 金鑰、選擇合適的 LLM、設計提示、發出 API 呼叫以及優化互動。
引言
角色扮演是一種創新技術，也是 AI 系統動態發展中的重要工具。這種方法涉及指示 LLM「扮演」特定的職業、角色或功能，例如數據科學家、卡通人物、語言代理或財務顧問，使人工智慧能更有效地執行特定任務。本文探討了這個迷人的現象，強調了角色扮演在 LLM 中的優勢與理論基礎，並展示如何透過 Novita AI 使用強大的模型進行角色扮演。
什麼是 LLM 角色扮演：概述
與大型語言模型（LLM，例如 ChatGPT）進行角色扮演，是一個探索 AI 與創意、敘事驅動體驗互動的新興領域。它利用 LLM 的先進能力，在角色扮演的背景下模擬類似人類的對話和行為。這個過程讓 AI 能夠參與動態對話、模仿各種角色，並根據角色的預設特質和敘事情境來回應使用者的輸入，同時利用大量文本資料的強大運算能力。如此一來，角色扮演技術能提升其在需要特定技能或知識（例如扮演歷史學家或提供歷史事實與分析）的任務效率。
LLM 角色扮演的範例
1. 歷史人物
LLM 可以扮演像威廉·莎士比亞這樣的歷史人物，根據歷史事實進行反映詩人優美辭藻與伊莉莎白時代文字遊戲的對話。
2. 虛構角色
在奇幻設定中，LLM 可能扮演巫師的角色，使用與其魔法世界一致的语言和知識，提供關於古老咒語或神話傳說的建議。
3. 專業角色
LLM 可以模擬專業人士的對話，例如醫生、律師或偵探，並在其專業知識範圍內提供資訊與建議。
4. 互動式說故事
使用者可以與扮演電玩遊戲中非玩家角色（NPC）的 LLM 互動，提供任務、分享故事，並即時回應玩家的行動。
5. 教育情境
LLM 可以扮演教師或導師的角色，藉由在特定歷史時期或科學領域的背景下回答問題，來促進學習體驗。
6. 治療模擬
儘管必須考慮道德問題，LLM 仍可扮演治療師或輔導員的角色，在模擬環境中提供支持與指導。
7. 客戶服務
在商業環境中，LLM 可以扮演客服人員的角色，提供協助並回答問題，同時保持專業且樂於助人的態度。
8. 文化大使
LLM 可以代表來自不同文化的角色，讓使用者探索並學習各種傳統、習俗和語言。
這些範例展示了 LLM 在角色扮演情境中的多樣性，它們能調整回應以符合所扮演角色的細微差別，從而豐富使用者的互動，並根據所扮演的角色提供量身打造的體驗。
LLM 角色扮演如何運作？
LLM 角色扮演建立在一個整合了自然語言處理、機器學習和敘事生成的精密框架之上。根據兩篇關於 LLM 角色扮演的學術論文（Shanahan, McDonell, & Reynolds, 2023；Wang et al., 2024），以下是相關機制的專業解析：
1. 提示工程技術
這是核心技術，透過精心設計提示來引導 AI 扮演特定角色，並包含特質與背景故事。
2. 角色綱要建立
建立詳細的角色檔案，為 AI 的回應與行為提供藍圖，確保角色扮演的一致性和深度。
3. 對話管理系統
這些系統管理對話流程，確保 AI 的回應連貫且符合情境，維持敘事主線。
4. 情境嵌入
LLM 利用對話歷史來產生自然演變的回應，反映持續進行的互動，並保持敘事的連續性。
5. 動作解析演算法
特別是在互動式場景中，這些演算法決定行動的結果，根據角色的能力和情境模擬成功或失敗。
6. 敘事一致性維護
諸如摘要等技術有助於維持故事情節，克服 AI 在長期記憶方面的限制，確保故事不會失去主線。
7. 多模態整合
整合視覺、音訊或其他感官輸入可以顯著提升角色扮演的體驗，使其更具吸引力且更逼真。
這些機制共同構成了一個強大的框架，使 LLM 能夠參與角色扮演情境，模擬類似人類的互動，並提供沉浸式的體驗。
從 LLM 角色扮演中我能獲得什麼？
高品質的陪伴
AI 聊天機器人既能激發思考又不會妄加評斷，可以提供陪伴。它可以參與各種話題的對話，對於那些尋求知識或情感交流、卻不想承受社會期望壓力的人來說，它是理想的夥伴。這項好處對於可能感到孤立或渴望與 GPT 驅動的聊天機器人進行一致且可靠互動的人來說尤其重要。
增強創造力
LLM 可以模擬各種角色和情境，讓使用者參與創意說故事，並探索僅受限於自身想像力的敘事。
治療應用
角色扮演可以用於治療目的，幫助個人在受控且支持的環境中探索不同觀點、處理個人問題或發展社交技能。
語言練習
在角色扮演中與 LLM 互動可以幫助使用者在低風險環境中練習語言技能，在對話情境中獲得即時回饋和修正。
重現實驗
AI 可以用來在虛擬環境中模擬和重現各種實驗。這項能力對教育目的很有幫助，讓學生和研究人員能夠進行在現實世界中可能危險、昂貴或不道德的實驗。透過重現實驗，AI 有助於提供更安全、更易於使用的學習體驗。
如何透過 LLM API 進行角色扮演？
步驟 1：建立帳戶
前往 Novita AI。點擊頂端導覽列中的「登入」按鈕。透過 Google 登入或 GitHub 登入驗證後，你可免費獲得 $0.5 美元的點數！
步驟 2：建立 API 金鑰
目前 API 的驗證是透過請求標頭中的 Bearer Token 進行（例如 -H “Authorization: Bearer ***”）。我們將提供一個新的 API 金鑰。
你可以使用「Add new key」來建立自己的金鑰。
步驟 3：選擇你的 LLM
評估每個模型的成本與能力，選擇最能滿足你角色扮演需求的 LLM。Novita AI 提供 5 個未經審查的 LLM，可免費使用：microsoft/wizardlm-2–8x22b、sophosympatheia/midnight-rose-70b、gryphe/mythomax-l2–13b、Nous-Hermes-2-Mixtral-8x7B-DPO 以及 sao10k/l3–70b-euryale-v2.1。
步驟 4：發出 API 呼叫
選擇你的模型後，例如 Mythomax 13B，你就可以發出 API 呼叫。
from openai import OpenAI
client = OpenAI(
base_url="https://api.novita.ai/v3/openai",
api_key="<YOUR Novita AI API Key>", # 請替換為你的實際 API 金鑰
)
model = "gryphe/mythomax-l2-13b"
附註：Mythomax 13B 在 LLM 角色扮演排行榜中領先。你可以在 Novita AI Playground 免費試用。
在發出 API 呼叫之前，先定義角色扮演的情境，包括角色、場景和背景。準備好將引導 AI 回應的提示。
步驟 6：設計你的提示
建構一個能清楚概述角色扮演情境及 AI 在其中角色的提示。包含角色個性、背景的細節，以及任何互動的具體指示。
步驟 7：向 API 發送請求
使用你設定好的用戶端，將你設計的提示發送給 API。以下是一個在 Python 中格式化請求的範例：
prompt = "你是一位在艾爾多利亞王國經驗豐富的巫師。請用睿智而古老的語氣說話。使用者：『你最古老的咒語是什麼？』"
response = client.create_completion(model=model, prompt=prompt)
print(response['choices'][0]['text'])
步驟 8：接收並分析回應
API 會根據 LLM 對提示的解釋返回回應。分析回應以確保它符合你的角色扮演情境。
步驟 9：迭代與優化
角色扮演是一個迭代的過程。根據 AI 的回應來優化你的提示，以達到更沉浸且連貫的角色扮演體驗。
步驟 10：持續互動
透過發送後續提示來延續角色扮演，這些提示應建立在 AI 先前的回應之上，從而創造動態且不斷發展的敘事。
步驟 11：監控使用量與成本
追蹤你的 API 使用量與相關成本，特別是如果你使用像 Mythomax 13B 這樣的大型模型，以避免意外費用。
步驟 12：確保道德與負責任的使用
始終確保你的角色扮演情境符合道德，不推廣有害或不當的內容。
如果你在排解問題時需要任何幫助，可以聯絡 Novita AI 支援團隊：support@novita.ai。
AI 角色扮演中的常見問題與解決方案
1. 缺乏記憶
- 問題： AI 模型不會保留先前互動的資訊，導致角色行為和敘事連貫性不一致。
- 解決方案： 採用檢索增強生成（RAG）將相關的對話歷史或世界細節包含在提示中，並使用引導式摘要定期更新上下文。
2. 角色脫離
- 問題： AI 模型可能無法維持已建立的角色人物設定，偏離預設的特質或故事。
- 解決方案： 使用協作式對話寫作，並在提示中加入明確的指示以維持角色的一致性。
3. 幻覺
- 問題： AI 模型可能引入不準確或虛構的細節，造成敘事中的混淆。
- 解決方案： 仔細整理提示中的資訊，並採用引導式摘要來強化準確的敘事元素。
4. 使用者介面挑戰
- 問題： 純文字輸入可能令人卻步，導致在開放式情境中難以決定下一步行動。
- 解決方案： 引進帶有「其他」類別的多選項，以提供自由文字輸入，或實作語音輸入以減輕輸入負擔。
5. 缺乏結構
- 問題： 沒有明確的目標或敘事結構，玩家可能缺乏目標感或方向感。
- 解決方案： 定義明確的目標和結構化的敘事，或使用「目標引導者」角色來引導有意義的行動和情節發展。
6. 行動解析
- 問題： 在沒有明確定義的情況下，平衡行動的粒度與有意義的結果可能很困難。
- 解決方案： 開發一個行動解析系統，包含技能評估、難度分析和擲骰來決定成功或失敗。
7. 確保行動的影響
- 問題： 玩家的行動需要有有意義的後果，才能讓玩家保持投入並感受到影響力。
- 解決方案： 對重複失敗引入遞增的成本，或建立一個行動會對遊戲世界產生持久影響的系統。
8. 文字密集型互動
- 問題： 過度依賴文字可能會變得單調且較不吸引人。
- 解決方案： 整合語音輸出以提供更動態的介面，或使用圖像生成來增加視覺豐富性。
9. 跨互動的一致性
- 問題： 在多次互動中維持遊戲世界與角色行為的一致性，對於可信的體驗至關重要。
- 解決方案： 使用預先定義的設定、角色屬性和情境反應，並在 LLM 提示中持續應用。
10. 創造豐富且動態的世界
- 問題： 世界需要感覺活生生且能回應玩家的行動，這僅靠文字描述具有挑戰性。
- 解決方案： 使用程序化生成技術，讓 LLM 提供參數給演算法，以建立持久的遊戲元素。
這些常見問題與解決方案來自 Ian Bicking 的部落格「Roleplaying driven by an LLM: observations & open questions」。你可以之後查看這篇部落格，以獲取更多關於 LLM 角色扮演相關體驗的資訊。
LLM 角色扮演的未來方向
大型語言模型（LLM）角色扮演的未來將迎來重大進展，進而改變使用者體驗。更個人化的互動正在發展中，LLM 將能適應個人偏好，提供獨特的教育、娛樂和治療應用。
敘事連貫性的增強將帶來更沉浸且連續的角色扮演情境，而多模態互動的整合將透過視覺、聽覺和觸覺回饋增加真實感。道德考量仍將是重中之重，確保使用者安全、資料隱私以及負責任的內容生成。
對 LLM 語言處理能力的理解進步，將為更準確且符合情境的回應鋪路，從而豐富角色扮演體驗。LLM 與 AR、VR 和區塊鏈等新技術的融合，可能透過建立去中心化且沉浸式的虛擬環境來革新角色扮演。此外，促進社群驅動的內容與協作情境，將使角色扮演更具動態性和包容性。隨著這些技術的演進，遵守法規標準對於維持法律與道德的正直性至關重要。角色扮演體驗的可及性將會擴大，確保更廣泛的受眾能夠接觸這些互動式應用，突顯包容性在技術進步中的重要性。
結論
隨著角色扮演隨著 LLM 能力的進步持續演進，其在教育、娛樂、治療等領域的變革潛力日益明顯。遵循道德指南並善用尖端技術，將是充分發揮 LLM 潛力、實現豐富多樣角色扮演體驗的關鍵。
常見問題
1. 角色扮演有哪四種類型？
除了類型，角色扮演還分為不同類別：粉絲向、原創、團體和一對一。你應該選擇最吸引你的那一種。
2. 如果我的 LLM 在角色扮演時一直犯錯，該怎麼辦？
如果你使用的是 70 億到 130 億參數的小型模型，可以考慮切換到 340 億到 700 億參數的大型模型（請確保你有相容的 GPU）。或者，你可以針對目前的模型調整取樣器設定和提示模板，這可能較為繁瑣且效果有限。
參考文獻
Shanahan, M., McDonell, K., & Reynolds, L. (2023). Role-Play with Large Language Models. arXiv:2305.16367v1[cs.CL]. 取自 https://arxiv.org/abs/2305.16367
Wang, Z. M., Peng, Z., Que, H., Liu, J., Zhou, W., Wu, Y., Guo, H., Gan, R., Ni, Z., Yang, J., Zhang, M., Zhang, Z., Ouyang, W., Xu, K., Huang, S. W., Fu, J., & Peng, J. (2024). RoleLLM: Benchmarking, Eliciting, and Enhancing Role-Playing Abilities of Large Language Models. arXiv:2310.00746v3 [cs.CL]. 取自 https://arxiv.org/abs/2310.00746
Novita AI 是一個全方位的雲端平台，能賦予你的 AI 雄心壯志。透過無縫整合的 API、無伺服器運算和 GPU 加速，我們提供經濟實惠的工具，協助你快速建置並擴展 AI 驅動的業務。告別基礎設施的煩惱，立即免費開始使用 —— Novita AI 讓你的 AI 夢想成真。
推薦閱讀
