在讨论 AI RP 之前,先以酒馆为例,盘点完成一个 AI 角色扮演所需的能力:
LLM 接入与配置——即模型"插头",无需赘述
上下文组织——预设、角色卡、世界书、历史记录等,决定模型"看到什么"
历史状态的存储与召回——酒馆原生有楼层,插件侧则有数据库、记忆表格等各类记忆插件
变量能力——本质也是一种特殊的状态存储与召回,如 MVU、数据库变量
多角色扮演——酒馆原生的群聊基本是抽象功能;当下的多角色主要靠剧情推进或正文思维链硬写,角色一多就容易出现部分角色背景板化或"摆烂"
扩展能力——酒馆最核心的生态,没有它酒馆不会流行
相应地,酒馆也有几处明显缺陷:
模型请求是重操作,而酒馆倾向一次请求写完一层楼——正文 AI 长期被压榨,不得不靠剧情推进等额外请求替正文减负
缺乏"及时"能力——一层楼就是一次完整输出,模型中途如有需要确认的事也无法停下,只能将错就错写到结束。这让基于酒馆的记忆插件极度看重 LLM 调用次数:召回机会只有一次,召回错了或需要下钻的内容,无法用第二次请求修正;分角色记忆也因此难以设计
多角色扮演无法防全知——无论剧情推进还是正文统一思考与输出,天然缺乏上下文隔离,问题有两层:一是模型负责的内容太多,容易混淆;二是模型实际扮演的不是角色,而是写作者,身份上天然全知
那从酒馆的角度看，我们需要一个什么东西来更好的承载AI RP呢
1.具备LLM 接入与配置的基础能力
2.具备上下文组织能力
3.具备状态的存储与召回能力
4.具备多角色独立扮演，防全知的能力
5.具备扩展能力（此项为所有能力中最重要的能力，且越容易制作扩展，对生态越好）

支持支持喵

那么我们来分析分析，DSH给我们提供了什么能力
首先是harness核心层
harness是个什么东西呢?
harness是连接"大模型"和"真实世界"的中间层:它给模型提供工具和上下文,给用户提供控制和可观测性,把一次性的模型调用变成可管理、可扩展、可恢复的完整 agent 应用
也就是说，如果类比一下，LLM是硬件，那harness就是操作系统，我们的酒馆等ai产品就是基于harness基础上的应用——类比为软件
它天然就帮我们做到了以下几件事：
1.具备LLM 接入与配置的基础能力
2.具备上下文组织能力
3.具备状态的存储与召回能力
4.多agent调用能力

然后是DSH自己独有的一切皆插件的扩展能力，一个非常巧合的事情，插件的支持，正好是酒馆作为AI RP产品脱颖而出的原因。
一切是多么的巧合与完美，DSH具有了酒馆生态里所有想要的东西

dsh的生态圈发展起来肯定是随便代替酒馆的，酒馆实在是太老了，就像上古卷轴5和求生之路2这些老游戏基于社区mod一样，一旦有了同题材比他们更优秀还可以自由搭配mod的游戏出现，那他们自然会被代替

如果能将每个剧情人物单独编辑成人物卡插件，再插入npc角色库，作为剧情随时可调用的数据的话，我认为会变成神中神。

就看有没有大佬能把harness搞成酒馆那种了，期待一波

那么，基于DSH，我们应该怎么设计AI RP产品呢，我们先来复刻一下酒馆
首先我们看一下当前DSH的提示词组装结构：

简单来说，DSH里提示词的组装结构和酒馆里没有任何太大的区别，大概结构就是：
messages:
message[0]:系统提示词（ai的身份、设定、工具调用方式等）
message[1-n]:历史对话
tools:工具清单
ai的返回结构：
think:思维链
context：ai的回复
tool message:工具调用指令

而这个组装能力，完全是依靠agent loop这个插件来完成的，它本质是一个可插拔的东西，你如果对当前结构不满意，完全可以自己定义一套结构改进去，上下文工程而已，这不困难，至少比从头手搓要好太多

我们继续说回怎么把酒馆做到DSH里，首先第一个要解决的就是预设，那么预设实际上是个什么东西呢，它是一个可插拔的顺序提示词集合，包含了对主agent身份、文风等一系列的预定义，还有一些诸如破限等能力，那它本质上就是一段提示词而已，我想大家也发现了，越是重型的预设，大模型对预设的遵守就越差，因为大部分ai实际上是存在一个U形记忆的问题的，也就是两头的指令遵守很好，越到中间越差。而酒馆由不具备记忆刷新的能力，比如这个提示词，大模型想不起来了，它也不会再使用一次llm调用去回忆
那在DSH里就没有这个问题，在DSH里，预设实际上要分为两部分，索引和skill，你可以定义这个预设哪些索引是打开的，然后基于索引，动态构建你实际生效的预设skill，你在RP时，直接SKILL起手，每次都是拿到的预设的所有最准确内容去生成你的正文，这就比你直接像酒馆一样写死所有位置，要现代化得多了

老大听不懂喵

世界书同理,不多赘述。接下来聊状态管理。
状态管理分两类:结构化与非结构化。
结构化状态,用工具插件就能解决。让 AI 输出一份工具指令,再交给工具执行——数据的读写完全不是问题,因为 AI 本身就具备直接调用工具执行的能力。
非结构化状态,最有代表性的就是记忆。而记忆这件事,重要的从来不是存储,而是治理。存起来很简单,难的是怎么整理、怎么召回。
而这恰恰是 DSH 擅长的地方。记忆最理想的架构,就是文件系统——叫它记忆库也好、档案馆也罢。角色记忆不是一成不变的:随着剧情推进,记忆会有更新、有冲突、有遗忘。这些东西如果缺乏对文件的直接编辑能力,改起来会非常麻烦。
举个具体的例子:一个人 3 年前认为某某是个傻子,今天因为一件事改观,觉得这人其实大智若愚。在非文件系统的方式下,你为了准确召回 3 年前那条记忆,正文 AI 必须明确写出态度转变;你只能在总结最新角色记忆时才发现——哦,这里需要一次态度转变,必须写清楚。你还要把两条记忆合并成一条,否则万一哪次 AI 只召回了 3 年前那条、没召回今天的,在 AI 的视角里,这人依然是个傻子。
换成文件系统呢?直接找到这两块地方,重写一遍,搞定。
所以记忆的治理,本质上可以抽象为多个文件之间的增删查改。

老大总结下

最后是多角色扮演的能力，之前记忆的问题解决了，而记忆又是文件系统的动态读取，那么记忆的隔离，也不过是一种约束。主agent只需要先确定本次有哪些角色，创建N个子agent，分别读取各自角色的记忆，然后输出角色行为倾向，交由主agent整体读取后最后生成正文即可，正文ai本身就不该来决断角色该怎么思考，怎么行动，因为它是编写者，是全知者，角色行为，就应该交给子agent来完成。