מערכת AI ליצירת דיאלוגים ומשימות למשחקים

אנו מפתחים מערכות AI ליצירת דיאלוגים ומשימות במשחקים, שאינן מחליפות את התסריטאים אלא מרחיבות את היקף עבודתם. הפתרון מכוונן מודל שפה גדול (LLaMA 3 70B או Mistral Large) על התוכן שלכם ומחבר שכבת RAG לגישה למאגר הידע של עולם המשחק. התוצאה היא דיאלוגים ומשימות דינמיים השומרים על קול הדמות, הלור והתגובה לפעולות השחקן.

בעיה אופיינית: צוות תסריטאים אינו יכול פיזית לכתוב דיאלוגים מסועפים עבור 500 דמויות ו-200 משימות — התוצאה היא או תבניתית או לא עקבית עם הלור. המערכת שלנו מטפלת ביצירה הגולמית, ובן אדם מבצע את הגימור. כבר מההתחלה, אנו מקצרים את זמן יצירת התוכן הנרטיבי ב-60–70%.

עם ניסיון של למעלה מ-5 שנים בפתרונות AI, צוות של 15 מהנדסים (NLP, CV, MLOps) ויותר מ-120 פרויקטים שהושלמו, ניסיון זה מבטיח תוצאות צפויות.

ארכיטקטורת המערכת

הליבה היא מודל LLM מכוונן (LLaMA 3 70B או Mistral Large) עם רכיב RAG לגישה למאגר הידע של עולם המשחק.

שכבת מאגר הידע

• מאגר וקטורי (Chroma/Qdrant) עם תיאורי דמויות, פלגים, מיקומים ורקעים
• מסד נתונים גרפי (Neo4j) לקשרים בין דמויות, תלות בין משימות ודגלי התקדמות
• מערכת מצב עולם — משתני משחק המשפיעים על היצירה

שכבת היצירה

• מודל LLM מכוונן עם מתאם LoRA על דוגמאות דיאלוג מהמשחק (מינימום 10,000 דוגמאות)
• פענוח מוגבל לאכיפת פורמט (JSON עם ענפי דיאלוג, תנאים וטריגרים)
• מודל קול דמות — מתאם נפרד לכל דמות מפתח

שכבת התזמור

• LangGraph ליצירת משימות מרובות-שלבים
• מאמת עקביות נרטיבית (בודק סתירות מול מאגר הידע)
• גשר אינטגרציה ל-Unreal Engine (באמצעות REST API או UE Python)

עקביות דמות

כל דמות מפתח מקבלת מתאם LoRA משלה שאומן על השורות שלה (מינימום 500 דוגמאות). במהלך היצירה, המתאם נטען לצד המודל הבסיסי — זה מבטיח שהדיאלוג נשמע בדיוק כמו אותה דמות, לא כמו ממוצע. עבור דמויות כלליות, אנו משתמשים ב-Character Profile Embedding — תיאור וקטורי של אישיות וסגנון דיבור.

היתרון של RAG

כיוונון עדין קובע את הידע של המודל בזמן האימון. שכבת RAG מאפשרת שליפה דינמית של מצב העולם הנוכחי: אילו משימות הושלמו, אילו דמויות מתו, כיצד השתנו יחסי הפלגים. זה קריטי לסשני משחק ארוכים — ללא RAG, המודל "שוכח" את ההקשר. עוד על הטכנולוגיה במאמר Retrieval-Augmented Generation.

סוגי תוכן שנוצר

דיאלוגים של דמויות

• שורות עם הסתעפויות (תומך בפורמטים של Twine/Ink/Yarn Spinner)
• תגובות הקשריות לפעולות השחקן (הריגת דמויות, בחירת פלג, התקדמות משימה)
• משפטי סרק, שיחות סביבה בין דמויות

משימות

• מבנה בסיסי: מטרה, שרשרת משימות, תגמולים, תנאי כישלון
• משימות צד אקראיות בהתחשב באזור הנוכחי וברמת השחקן
• משימות מבוכים פרוצדורליות עם תיאורים דינמיים

צינור הפיתוח

1. שבועות 1–4: איסוף והערת התוכן הנרטיבי הקיים. בניית גרף הידע של המשחק. הקמת אינדקס וקטורי.
2. שבועות 5–9: כיוונון עדין של מודל ה-LLM הבסיסי על קורפוס הדיאלוגים. פיתוח מערכת הנחיות Chain-of-Thought ללוגיקת משימות. איטרציות ראשונות עם צוות התסריטאים.
3. שבועות 10–14: אינטגרציה עם המנוע. כוונון יצירה בזמן אמת (זמן השהייה יעד עד 2 שניות לשורה). הטמעת מטמון להקשרים חוזרים.
4. שבועות 15–16: בדיקות QA לסתירות נרטיביות, תוכן רעיל והפרות תפקיד דמות.

מדדי איכות

יעילות עלות

שרת Multi-LoRA משתמש במופע יחיד של מודל LLM בסיסי, ומתאמי LoRA מוחלפים לפי project_id. זה חוסך 60–70% לעומת מודלים נפרדים, מה שהופך אותו ליעיל פי 3 בעלות. פרויקטים מתחילים בדרך כלל ב-$50,000 וחוסכים עד $200,000 בשנה במחשוב ענן.

פורמטי ייצוא

תמיכה מקורית ב-Twine (JSON), Ink (.ink), Yarn Spinner, Unreal Engine Dialogue Graph ו-FountainHead. פורמטים מותאמים אישית מיושמים באמצעות מתאם תוך 3–5 ימים.

Human-in-the-loop

המערכת מציעה, אנשים מבצעים גימור. ממשק עריכה מובנה (אפליקציית web) מאפשר לתסריטאים לאשר/לדחות/לערוך יצירות, תוך שמירה על לולאת משוב לשיפור המודל. לאחר 2–3 איטרציות, שיעור הקבלה ללא עריכות מגיע ל-70–80%.

מה כלול

• תיעוד ארכיטקטורה ו-API
• הכשרה לצוות התסריטאים על ממשק העריכה
• תמיכה טכנית במהלך ההשקה (שבועיים)
• קוד מקור למתאמים וסקריפטי פריסה

איך מתחילים?

נשלח שאלון לתיאור הפרויקט שלכם, תוך יומיים נעריך את ההיקף ונציע תוכנית עם לוחות זמנים מדויקים. צרו קשר לייעוץ — נשתף את הפרטים.