构建能确保谜题可解的社交推理生成器

借助 AI,为社交推理游戏添加可解谜题生成器,并将其与隐藏身份和基于证据的讨论结合。

Seele Editorial Team更新于 2026年11月18日

借助 AI,为社交推理游戏添加可解谜题生成器。让状态变化清晰可见,保留补救空间,并通过可重复的场景进行验证。先从小型证据模型和验证器开始,再扩展角色、线索和生成轮次。

展示“构建能确保谜题可解的社交推理生成器”主题的游戏画面。

定义谜题约束与证据

先建立精简的案件模型:嫌疑人、可能的行为、时间顺序、地点,以及支持或排除某种推论的证据。在生成线索前,把预期答案写成一组约束。确定谜题应该只有一个有效结论,还是允许多种站得住脚的解释,并明确表达这一目标。

Innersloth 发布的《Among Us》官方页面介绍了角色、任务、可疑行为和讨论机制。它仅作为社交推理类型的背景参考;本文的谜题生成器为原创设计。将每位玩家可见的信息与隐藏答案分开,确保公开证据足以支持推理,同时不泄露身份私密信息。

只生成有效状态

先生成隐藏案件,再从案件中推导证据。验证器应检查每条线索是否与案件一致、所需角色和物件是否存在,以及最终谜题是否符合预设的唯一性或多解规则。遇到线索矛盾或没有证据支持答案的种子时,应直接拒绝,而不是事后随意补一条提示。

为了加强验证,可以让一个小型求解器分析公开证据并统计候选答案。只有答案数量符合设计时才接受:封闭推理正好一个,开放讨论则落在定义好的解释范围内。将生成与验证分开,并记录每个失败种子的拒绝原因。

一组画面展示玩家操作、系统响应及由此产生的选择。

让线索推理过程可验证

每个结论都应有可追溯的证据路径。线索可以排除嫌疑人、确定时间线,或连接两条观察结果。玩家应能指出推论依据。避免依赖含糊措辞,或要求使用本轮中玩家无法获得的信息。

不同生成案件采用一致的线索呈现方式,并为时间、地点和身份使用相同符号。让玩家在讨论时可以查看证据。如果谜题允许多种解释,应展示仍不确定的事实,避免隐藏规则推翻合理推理。

测试种子和边界情况

让大量种子通过验证器,并检查接受和拒绝的案例。记录答案数量、线索覆盖度、相互矛盾的证据,以及玩家能否从现有线索还原预期答案。测试证据缺失、嫌疑人重复、时间并列和身份专属信息等情况,避免生成无法完成的轮次。

相关设计可参考多种有效解法的原创谜题规则指南,以及环境谜题指南。当每个通过验证的种子都符合预设答案数量,玩家也能依据现有证据说明结论时,即可通过测试。

同一游戏世界展示先前决策带来的可见结果。

常见问题

社交推理谜题生成器应该如何工作?

根据明确约束生成隐藏案件,再从案件推导证据,并在展示前验证谜题。先决定一轮应有唯一答案还是多种合理解释。拒绝有矛盾、缺少必要信息,或答案数量不符合设计的种子。

怎样确保生成谜题可解?

用验证器或小型求解器根据公开证据统计候选答案。只有数量符合预设形式时才接受。将生成与验证分开,并记录失败种子的拒绝原因。

证据应该如何支持推理?

每条线索都应能追溯到隐藏案件,并有助于支持或排除一种理论。用一致且玩家可获取的证据建立时间、地点和行为。避免任意线索或推翻合理推理的隐藏规则。

谜题生成器应该测试什么?

验证大量种子的答案数量、线索覆盖度、矛盾情况和答案可还原性。纳入证据缺失、嫌疑人重复、时间并列和身份私密信息等边界案例。确认被拒种子均记录原因,所有接受的种子都符合所选的唯一性或多解规则。

参考:多种有效解法的原创谜题规则指南;环境谜题指南。

SEELE AI

将这份指南变成可玩的作品。

先明确创作需求,再在 Seele AI 工作区中迭代。

开始创作