[分享创造] 独立游戏] 我用 Pygame + LLM 搓了一个解谜游戏，把“海龟汤”和“逻辑狙击”做成了无限流-ff47d1

当“海龟汤”遇上大模型：这款无限流解谜游戏，用LLM重构了推理的边界

独立游戏开发者“CookGreen”近日在V2EX社区发布了一款名为《CyberCat：脑力演算系统》的极简CRT风格文字推理游戏。它并非又一个套着LLM壳子的聊天机器人，而是一个真正利用大模型动态生成与逻辑判断能力的“无限流”解谜工具。在传统解谜游戏因题库固定而快速丧失新鲜感的当下，这款作品展示了如何通过严格约束LLM的生成逻辑，创造出可重复游玩、且不依赖预设内容的推理体验。

为“贪婪”的大模型戴上枷锁：从失控到可控

游戏的底层逻辑并非简单的“让AI随便写”。开发者坦言，早期版本遭遇了大模型的“贪婪特性与惰性”——LLM总是倾向于生成“六人战术小队去废弃雷达站找硬盘”的套路剧本，使得游戏陷入重复。解决方案并非放弃AI，而是“剥夺了LLM的选择权”：由Python在预设词库中通过random.choice()随机抽取元素，将“诡异的日常行为”和“极端的反应”作为强制性限定词死死锁在Prompt中，并同步压制AI输出Markdown格式的冲动，最终实现了纯粹且可复现的JSON随机生成。这一工程细节对于所有尝试用LLM做内容生成的开发者而言，都是宝贵的避坑经验。

两大核心玩法：心理悬疑与逻辑狙击

游戏包含两个已实现的模块。“战术海龟汤”摒弃了传统海龟汤的题库限制，LLM化身冷酷裁判，根据玩家提问判定“YES/NO/无关”，直到玩家拼凑出高熵值悬疑剧本的真相。“逻辑狙击”则更像一个“互联网杠精模拟器”，要求玩家在一段看似合理的诡辩中识别并狙击其逻辑谬误（如滑坡谬误、稻草人谬误），由大模型判定反驳是否“致命一击”。这种将LLM用于逻辑校验而非内容生成的设计，可能是其最富想象力的应用方向。游戏采用BYOK（Bring Your Own Key）模式，玩家自填DeepSeek或OpenAI等API密钥，既保护隐私，也规避了开发者的服务器成本。

展望与讨论：语言博弈的无限可能

开发者正在构思两个新模块：“俄罗斯轮盘赌”（让LLM扮演对桌恶魔，通过言语博弈获取“子弹位置”）和“走私审查”（类似《Papers, Please》的文字版，通过盘问找出逻辑漏洞）。这两个设计的核心问题在于：如何让纯文本的LLM对话产生“心理战”的压迫感？这触及了当前AI交互体验的关键瓶颈——如何让AI在对话中表现出真实的“意图”与“情绪”，而非仅仅是概率输出。对于任何关注AI叙事与交互边界的从业者而言，这款游戏不仅是一个可白嫖的玩具，更是观察LLM如何从“工具”演进为“对手”的绝佳窗口。