_
JEV 可以帮助让生成的游戏对玩家输入反应更快，但它本身不会生成整个游戏。一个完整的游戏结合了内容、规则、代码、资产、模拟和面向玩家的系统。 JEV 对该堆栈的一个重要部分做出了贡献：当 游戏状态 发生变化时，为 NPC 选择战术行动。
这种区别可以防止常见的类别错误。生成场景、角色模型或游戏代码块与决定角色在运行时应该做什么不同。第一个问题是内容创作。第二个是实时约束下的有限决策。
JEV可以生成游戏吗？
JEV 可以参与人工智能辅助的游戏生成工作流程，但它不是一键式游戏生成器。生成模型可以将概念转化为场景、资产、脚本或可玩的原型。语言模型可能有助于对话、任务和规划。然后，JEV 可以在原型或生产游戏中为 NPC 提供决策契约。
有用的结果是劳动分工。每个系统都有明确的输入、输出和权限边界。这使得结果比被要求发明世界、编写每个系统并不受约束地控制每个角色的单个模型更容易测试。
| 四部分分工 | 模块主要责任 _代模型生成场景、角色、资源、关卡和启动器代码.帮助对话、叙事、文本、设计探索和更长远的视野规划.选择游戏公开的合法选项中的实时战术行动和目标。游戏代码和引擎自己的规则、物理、国家权威、网络、导航、动画和执行._ |
|---|---|
| 这些界限不仅仅是组织上的。他们决定团队如何调试游戏。如果 NPC 穿过墙壁，则导航或碰撞可能是其所有者。如果它从有效选项中选择了一个较差的目标，则决策合约或策略就是进行调查的地方。如果生成的代码违反接口，则需要注意生成和验证管道。 | 从提示到可播放循环 |
| _生成一个狭义概念： | 定义类型、玩家循环、角色、资源和输赢条件.连接确定性框架： |
| 实现状态、规则、物理、输入和一小组actions.定义 NPC 合约： | 选择每个角色可以观察的内容以及可以采取的操作select.Add JEV:_ 在决策点调用它而不是要求它替换循环.模拟和测试： |
| 重播场景，检查Choices，并调整目标和约束._ | 从窄循环开始很重要。生成的原型可能包含许多有吸引力的系统，但用于评估 NPC 决策是否有用的结构很少。与无法测试的大型世界相比，拥有治疗者、防御者和单一目标的小型竞技场可以更多地揭示决策层的质量。 |
JEV如何为生成的NPC提供更好的判断
生成的NPC在拥有可靠的动作模型之前通常会出现外观和对话。 JEV 通过要求游戏说明 NPC 知道什么、它想要什么以及允许它做什么来提供帮助。生成的角色可以具有特定于角色的动作集，例如守卫、协助、搜索、撤退或谈判。引擎仍然负责检查先决条件。
- 这使得个性与可靠性兼容。谨慎的角色可以赋予掩护和生存更多的价值；攻击性的性格可能会带来压力；侦察员可以对信息进行优先排序。这些偏好可以影响选择，而不授予对世界的任意访问权限。为什么资产生成和决策生成不同
- 图像或 3D 模型生成器生成可以在进入游戏之前进行查看的表示。运行时决策发生在不断变化的系统内，可能会影响公平性、节奏和玩家信任。这就是为什么决策生成需要状态合同、可执行动作、延迟预算、验证和 兜底策略s.相同的生成资产可以在许多场景中重复使用，而在敌人移动或能力中断后可能需要重新计算决策。将两者视为同一代会导致错误的架构和错误的质量指标。
- JEV 适合人工智能游戏开发对于 roguelike 游戏，JEV 可以选择敌人在生成的内容提供房间和遭遇时如何度过一个回合。对于小队游戏，它可以选择角色感知响应，同时代码处理移动和复制。对于生存游戏来说，它可以平衡探索、制作、庇护所和避免威胁。对于社交模拟，它可以选择有界的立即行动，而 LLM 处理较长的对话或计划。
- 在每个示例中，JEV 都很有价值，因为世界已经定义得足以公开合法选项。它不能替代设计游戏循环。这是一种使循环更加上下文敏感的方法。如何评估结果
- _有效性： 每个选定的操作是否满足当前前提条件？_质量：
该行动是否在没有明显浪费的情况下推进了角色的目标资源？_公平性：_ 如果不使用玩家无法合理使用的信息，NPC 是否仍然具有挑战性推断？_响应性：
决策是否在游戏的时间内到达预算？_可玩性：
类似情况是否会产生一系列有用的结果而不是随机的噪音？_可调试性：_ 团队能否重现状态、响应和结果？_
负责任的生产架构
将权威的游戏状态保留在引擎或服务器中。为决策请求构建一个小型状态预测。公开包含参数和先决条件的可执行动作列表。让 JEV 返回一个意图。根据当前状态验证它，通过现有命令系统执行它，并在请求超时或变得过时时回退到编写的行为。
该架构为其他人工智能系统留出了空间。生成模型可以不断改进内容管道，并且 LLM 可以支持创作者和角色，而无需强迫 JEV 成为通用模型。要在一处查看决策概念，请阅读什么是JEV？_。要构建第一个集成，请遵循JEV教程
.
Where JEV fits in AI game development
For a roguelike, JEV can choose how an enemy spends a turn while generated content supplies rooms and encounters. For a squad game, it can select a role-aware response while code handles movement and replication. For a survival game, it can balance exploration, crafting, shelter, and threat avoidance. For a social simulation, it can choose a bounded immediate action while an LLM handles longer dialogue or planning.
In each example, JEV is valuable because the world is already defined enough to expose legal options. It is not a substitute for designing the game loop. It is a way to make that loop more context-sensitive.
How to evaluate the result
- Validity: Does every selected action satisfy current preconditions?
- Quality: Does the action advance the role's objective without obviously wasting resources?
- Fairness: Does the NPC remain challenging without using information the player could not reasonably infer?
- Responsiveness: Does the decision arrive within the game's budget?
- Replayability: Do similar situations produce a useful range of outcomes rather than random noise?
- Debuggability: Can the team reproduce the state, response, and outcome?
A responsible production architecture
Keep the authoritative game state in the engine or server. Build a small state projection for the decision request. Expose a legal-action list with parameters and preconditions. Let JEV return an intent. Validate it against the current state, execute it through an existing command system, and fall back to authored behavior when the request times out or becomes stale.
This architecture leaves room for other AI systems. Generation models can keep improving the content pipeline, and LLMs can support creators and characters, without forcing JEV to become a general-purpose model. To see the decision concept in one place, read What Is JEV?. To build the first integration, follow the JEV tutorial.
