От AI Dungeon до агентов: как ИИ меняет текстовые RPG

В декабре 2019 года разработчик Ник Уолтон выложил AI Dungeon — текстовую игру на базе GPT-2, где вместо заранее написанного сценария реплики придумывала нейросеть. Игрок вводил действие в свободной форме, модель дописывала последствия. Через год проект перешёл на GPT-3 от OpenAI, и это была первая массовая демонстрация того, что языковая модель способна вести интерактивное повествование без сценариста. С тех пор жанр разросся: появились NovelAI, KoboldAI, Character.AI и десятки локальных сборок, а сама механика повествования сместилась от простой генерации следующего абзаца к агентной архитектуре, где ИИ отслеживает состояние мира, память персонажей и правила.

Что сломалось в первых версиях и почему

Ранний AI Dungeon страдал двумя болезнями, которые определили всё дальнейшее развитие жанра. Первая — короткая память. GPT-2 держала в контексте примерно тысячу токенов, GPT-3 в первых версиях около двух тысяч. На практике это значило, что через десяток ходов модель забывала имя вашего спутника, теряла нить квеста и могла воскресить убитого дракона. Игра ощущалась как сон, который расплывается, стоит отвлечься.

Вторая болезнь — отсутствие правил. Модель одинаково охотно позволяла герою достать из кармана меч, космический корабль или ключ от двери, которой не существовало. Никакой внутренней логики мира не было: только статистическое продолжение текста. Для одних это была свобода, для других — каша.

Первые текстовые ИИ-игры не рассказывали историю. Они галлюцинировали её заново на каждом ходу — и забывали к следующему.

Именно борьба с этими двумя проблемами — памятью и связностью — и есть содержание эволюции жанра. Всё остальное (цензура, монетизация, голоса персонажей) вторично.

Как жанр решал проблему памяти

Простой путь — увеличивать контекстное окно¹. Современные модели держат десятки и сотни тысяч токенов, и часть истории теперь просто помещается целиком. Но окно всё равно конечно, а партия в текстовую RPG может длиться месяцами. Поэтому появились обходные приёмы.

• Ручные заметки о мире (world info / lorebook). Игрок или система заводят карточки: «Элара — эльфийка-лучница, спутница героя, боится огня». Когда в тексте встречается ключевое слово, карточка подставляется в контекст. Так работают NovelAI и KoboldAI.
• Суммаризация. Модель периодически сжимает пройденное в краткое резюме и держит его вместо полного лога. Дёшево, но детали теряются.
• Векторная память через RAG². Прошлые события кладут в векторную базу, и перед каждым ходом система достаёт релевантные фрагменты по смыслу, а не по ключевому слову. Это ближе всего к тому, что называют «агентной памятью».

Связка суммаризации, лорбука и векторного поиска и превратила генератор абзацев в нечто, что можно назвать агентом: у него есть постоянное состояние, к которому он обращается, а не только текущее приглашение к продолжению.

Что такое агент в контексте текстовой RPG

Термин «агент»³ в 2024–2025 годах стали применять к системам, где языковая модель не просто отвечает одним куском текста, а действует в цикле: получает состояние, планирует, вызывает инструменты (бросок кубика, проверка инвентаря, запрос к памяти), проверяет результат и только потом пишет ответ игроку. В текстовой RPG это выглядит так: отдельный модуль ведёт учёт здоровья, предметов и репутации, а модель-рассказчик обращается к нему как к источнику истины. Дракон, которого убили, остаётся мёртвым, потому что об этом сказано не в тексте, а в структурированном состоянии.

Такой подход снимает главную претензию к AI Dungeon образца 2020 года — произвол. Но он же дороже в разработке и в токенах: каждый ход тянет за собой несколько обращений к модели вместо одного.

Сравнение основных инструментов

Ниже — картина на конец 2025 года. Возможности и лимиты платных планов у всех проектов меняются часто, актуальные цифры сверяйте на официальных страницах.

Разница принципиальна. NovelAI и AI Dungeon дают готовый продукт с настройками. KoboldAI — это конструктор для тех, кто готов запускать модель на своём железе и терпеть настройку ради полного контроля и отсутствия цензуры. Character.AI сместился в сторону ролевого общения с персонажами, а не классической RPG с инвентарём и квестами.

Кому это пригодится и кому нет

Пригодится, если вы:

• ведущий настолок и ищете инструмент для генерации побочных сцен, реплик NPC и описаний локаций между сессиями;
• пишете и хотите бесконечного соавтора, который подкидывает повороты сюжета, когда вы застряли;
• разработчик игр и прототипируете диалоговую систему — агентная схема с внешним состоянием мира прямо переносится в проект;
• готовы настраивать лорбук и суммаризацию сами, чтобы игра помнила ваш мир на длинной дистанции.

Не стоит ждать чуда, если вы:

• хотите готовую сюжетную игру с выверенным балансом и концовками — нейросеть даёт процесс, но не режиссуру;
• рассчитываете, что модель без настройки будет годами помнить каждую деталь — без внешней памяти это невозможно;
• не готовы платить: связная длинная партия на сильной модели упирается либо в подписку, либо в собственный GPU.

Куда движется жанр

Основной вектор — не более «умная» модель сама по себе, а более грамотная обвязка вокруг неё: устойчивое состояние мира, вызов инструментов, проверка непротиворечивости. AI Dungeon начинался как трюк «что если дать GPT-2 писать игру за нас», а вырос в спор о том, где проходит граница между генератором текста и системой, которая по-настоящему ведёт мир. Именно эту границу и двигают агентные схемы — и пока побеждает не тот, у кого больше параметров, а тот, кто аккуратнее склеил память, правила и рассказчика.

¹ Контекстное окно — объём текста (в токенах), который модель удерживает в поле зрения за один запрос. Всё, что вышло за окно, для модели перестаёт существовать, если не подставлено заново.

² RAG (retrieval-augmented generation) — подход, при котором перед генерацией система находит в базе релевантные фрагменты и подкладывает их модели, расширяя память за пределы окна.

³ Агент — здесь: система, где модель работает в цикле «состояние → план → действие/инструмент → результат», а не выдаёт один ответ на один запрос.