在独立游戏和模拟经营领域一款名为《当铺人生2》的作品因其独特的“奇幻典当”和“程序随机生成”机制获得了大量玩家的“特别好评”。对于开发者而言这类游戏的核心吸引力不仅在于其玩法创意更在于其背后精巧的系统设计。本文将从一个技术实践者的视角深入剖析如何构建一个类似《当铺人生2》核心玩法的模拟经营系统原型。我们将聚焦于“全道具程序随机生成”和“基于顾客神态的深度谈判AI”这两个关键技术点使用常见的游戏开发技术栈完成一个可运行、可扩展的迷你“典当大亨”模拟器。本文的目标读者是对游戏开发、模拟AI或数据驱动系统设计感兴趣的开发者。通过阅读和实践你将理解如何设计一个属性随机的道具系统以及如何构建一个根据多维状态神态、属性进行动态决策的谈判AI。我们将使用Python作为演示语言因其语法清晰易于理解核心逻辑但所涉及的设计模式与思想可以无缝迁移到C#、Java或JavaScript等游戏开发常用语言中。1. 理解核心机制程序生成与状态驱动AI在动手编码之前必须厘清两个核心机制的设计思路这决定了我们后续代码的结构和扩展性。1.1 全道具程序随机生成“程序随机生成”并非简单的random()函数调用而是一套系统的、可控的、具备合理性的生成规则。在典当游戏语境下一个道具通常包含以下维度基础类型如武器、珠宝、书籍、艺术品、杂物等。品质/稀有度普通、精良、稀有、史诗、传奇这直接影响价值基数和生成概率。属性集合每个类型有专属的属性池。例如武器可能有“锋利度”、“耐久度”、“历史渊源”珠宝可能有“克拉数”、“纯净度”、“设计风格”。价值由品质、属性值、以及一个随机因子综合计算得出分为“实际价值”和“顾客要价”。描述文本根据生成的属性动态拼接出富有沉浸感的描述。程序生成系统的目标是在上述规则约束下创造出海量且不重复的道具同时保证生成结果的“合理性”不会出现一把“生锈的传奇圣剑”这种违和组合。我们将采用数据驱动的设计将规则定义在配置文件中使系统易于调整和扩展。1.2 顾客神态与深度谈判AI谈判是游戏的核心交互。一个简单的“是/否”或“滑块出价”远远不够。“深度谈判”意味着AI对手顾客的行为由内部状态驱动并对外部刺激玩家的出价产生符合逻辑的反应。顾客内部状态底线价格顾客内心能接受的最低售价通常低于其要价。耐心值一个随着谈判回合递减的数值耗尽则谈判破裂。性格模板如“急躁”、“狡猾”、“诚实”、“犹豫”影响状态变化速率和决策权重。当前情绪/神态由“对当前出价的满意度”、“耐心值”、“性格”共同计算得出的外在表现如“满意”、“犹豫”、“焦虑”、“愤怒”。谈判AI决策流程玩家出价。AI计算“出价满意度”(出价-底线)/(要价-底线)。根据满意度、当前情绪、性格决定下一个行为接受、拒绝、还价、或直接离开。更新顾客的耐心值和情绪状态。将决策结果包括新的要价和神态描述反馈给玩家。这个AI模型是一个有限状态机FSM或行为树BT的简化实现关键在于状态转移规则的设计。2. 环境准备与项目结构我们将创建一个纯净的Python项目来模拟实现。无需复杂的游戏引擎重点在于逻辑和数据模型。2.1 开发环境与工具Python 3.8确保已安装Python。在命令行输入python --version检查。代码编辑器VS Code、PyCharm或任何你熟悉的文本编辑器。数据格式我们将使用JSON来定义游戏数据因其易于阅读和修改。2.2 创建项目目录与文件创建一个名为pawn_shop_simulator的文件夹并建立如下结构的文件pawn_shop_simulator/ ├── config/ # 配置文件目录 │ ├── item_templates.json # 道具生成模板 │ └── customer_archetypes.json # 顾客性格模板 ├── core/ # 核心逻辑目录 │ ├── __init__.py │ ├── item_generator.py # 道具生成器 │ ├── customer_ai.py # 顾客AI逻辑 │ └── negotiation.py # 谈判核心流程 ├── models/ # 数据模型目录 │ ├── __init__.py │ ├── item.py # 道具数据类 │ └── customer.py # 顾客数据类 ├── utils/ # 工具函数 │ ├── __init__.py │ └── helpers.py # 随机数、计算等辅助函数 └── main.py # 主程序入口你可以使用以下命令快速创建Linux/macOSmkdir -p pawn_shop_simulator/{config,core,models,utils} touch pawn_shop_simulator/config/{item_templates.json,customer_archetypes.json} touch pawn_shop_simulator/core/{__init__.py,item_generator.py,customer_ai.py,negotiation.py} touch pawn_shop_simulator/models/{__init__.py,item.py,customer.py} touch pawn_shop_simulator/utils/{__init__.py,helpers.py} touch pawn_shop_simulator/main.py3. 构建数据模型与配置文件数据模型是系统的骨架好的模型设计能让后续逻辑清晰明了。3.1 定义道具模型 (models/item.py)import json from dataclasses import dataclass, field from typing import Dict, List, Any import random dataclass class Item: 道具类 id: str # 唯一标识 name: str # 生成后的完整名称 base_type: str # 基础类型如weapon rarity: str # 稀有度如rare attributes: Dict[str, float] # 属性名到值的映射如 {sharpness: 85.5} true_value: float # 实际价值 customer_price: float # 顾客要价 (通常 true_value) description: str # 动态生成的描述 def to_dict(self) - Dict[str, Any]: 转换为字典便于存储或显示 return { id: self.id, name: self.name, type: self.base_type, rarity: self.rarity, attributes: self.attributes, true_value: round(self.true_value, 2), customer_price: round(self.customer_price, 2), description: self.description }3.2 定义顾客模型 (models/customer.py)from dataclasses import dataclass, field from typing import Dict import uuid dataclass class Customer: 顾客类 id: str field(default_factorylambda: str(uuid.uuid4())[:8]) archetype: str # 性格模板如 haggler item_desired: Item # 想要典当的道具引用Item对象 patience: float # 当前耐心值范围0-1 patience_decay_rate: float # 每回合耐心衰减速率 base_price: float # 底线价格 current_quote: float # 当前报价顾客侧 current_mood: str neutral # 当前神态/情绪 mood_history: List[Dict] field(default_factorylist) # 神态历史用于调试或高级AI def is_patience_exhausted(self) - bool: return self.patience 03.3 配置道具生成模板 (config/item_templates.json)这个文件定义了游戏内所有可能道具的生成规则。{ rarities: { common: {weight: 50, value_multiplier_range: [0.8, 1.2]}, uncommon: {weight: 30, value_multiplier_range: [1.2, 1.8]}, rare: {weight: 15, value_multiplier_range: [1.8, 3.0]}, epic: {weight: 4, value_multiplier_range: [3.0, 5.0]}, legendary: {weight: 1, value_multiplier_range: [5.0, 10.0]} }, base_types: { weapon: { name_prefixes: [生锈的, 锋利的, 古老的, 精致的], name_cores: [短剑, 长弓, 战锤, 法杖], name_suffixes: [, of Swiftness, of the Bear], attribute_pool: { sharpness: {range: [30, 100], weight: 70}, durability: {range: [20, 100], weight: 80}, historical_significance: {range: [0, 100], weight: 20}, magical_power: {range: [0, 150], weight: 15} }, base_value_range: [50, 200] }, jewelry: { name_prefixes: [闪亮的, 古朴的, 巨大的, 精致的], name_cores: [金戒指, 银项链, 宝石胸针, 珍珠耳环], name_suffixes: [, (家族徽章), (婚戒)], attribute_pool: { carat: {range: [0.5, 5.0], weight: 90}, clarity: {range: [50, 100], weight: 60}, craftsmanship: {range: [40, 100], weight: 50} }, base_value_range: [100, 500] } } }配置关键解释rarities: 定义了稀有度层级、生成权重和价值乘数区间。权重用于随机抽选。base_types: 每个基础类型有自己的命名规则、属性池和基础价值区间。attribute_pool: 每个属性有其取值范围和出现权重。权重越高在生成时被选中的概率越大。3.4 配置顾客性格模板 (config/customer_archetypes.json){ impatient: { description: 急躁的顾客耐心消耗快容易愤怒。, initial_patience_range: [0.3, 0.6], patience_decay_range: [0.2, 0.4], mood_swing_threshold: 0.3, acceptance_threshold: 0.85, walk_away_threshold: 0.15 }, haggler: { description: 狡猾的讨价还价者初始要价高但愿意逐步让步。, initial_patience_range: [0.6, 0.9], patience_decay_range: [0.1, 0.2], mood_swing_threshold: 0.5, acceptance_threshold: 0.7, walk_away_threshold: 0.05 }, naive: { description: 天真的顾客要价接近实际价值容易满意。, initial_patience_range: [0.7, 1.0], patience_decay_range: [0.05, 0.15], mood_swing_threshold: 0.7, acceptance_threshold: 0.6, walk_away_threshold: 0.01 } }配置关键解释initial_patience_range: 初始耐心值范围。patience_decay_range: 每轮谈判耐心衰减值范围。mood_swing_threshold: 满意度低于此阈值时情绪可能变差。acceptance_threshold: 满意度高于此阈值时AI倾向于接受报价。walk_away_threshold: 满意度低于此阈值时AI可能直接离开。4. 实现程序化道具生成器有了数据模型和配置现在可以实现核心的生成逻辑 (core/item_generator.py)。import json import random from typing import Dict, List from models.item import Item class ItemGenerator: def __init__(self, config_path: str config/item_templates.json): with open(config_path, r, encodingutf-8) as f: self.config json.load(f) self.rarity_list list(self.config[rarities].keys()) self.rarity_weights [self.config[rarities][r][weight] for r in self.rarity_list] def generate_item(self) - Item: 生成一个随机道具 # 1. 随机选择稀有度 rarity random.choices(self.rarity_list, weightsself.rarity_weights, k1)[0] rarity_config self.config[rarities][rarity] # 2. 随机选择基础类型 base_type random.choice(list(self.config[base_types].keys())) type_config self.config[base_types][base_type] # 3. 生成属性 attributes {} attr_pool type_config[attribute_pool] # 至少选择1-3个属性 num_attrs random.randint(1, min(3, len(attr_pool))) chosen_attrs random.sample(list(attr_pool.items()), knum_attrs) for attr_name, attr_config in chosen_attrs: min_val, max_val attr_config[range] # 属性值在范围内随机稀有度越高越可能生成高值 attr_value random.uniform(min_val, max_val) * (1 (self.rarity_list.index(rarity) * 0.1)) attributes[attr_name] round(attr_value, 2) # 4. 计算基础价值 base_value_min, base_value_max type_config[base_value_range] base_value random.uniform(base_value_min, base_value_max) # 5. 应用稀有度乘数计算实际价值 value_multiplier_min, value_multiplier_max rarity_config[value_multiplier_range] value_multiplier random.uniform(value_multiplier_min, value_multiplier_max) true_value base_value * value_multiplier * (1 sum(attributes.values()) / 1000) # 6. 生成顾客要价 (通常有溢价) premium random.uniform(1.1, 1.8) # 10% 到 80% 的溢价 customer_price true_value * premium # 7. 生成名称和描述 name self._generate_name(type_config, rarity, attributes) description self._generate_description(base_type, rarity, attributes) # 8. 创建Item对象 item_id f{base_type}_{random.randint(1000,9999)} return Item( iditem_id, namename, base_typebase_type, rarityrarity, attributesattributes, true_valuetrue_value, customer_pricecustomer_price, descriptiondescription ) def _generate_name(self, type_config: Dict, rarity: str, attributes: Dict) - str: 根据配置和属性生成道具名称 prefix random.choice(type_config[name_prefixes]) core random.choice(type_config[name_cores]) suffix random.choice(type_config[name_suffixes]) name f{prefix}{core}{suffix} # 稀有度越高名称越可能包含稀有度标识 if rarity in [epic, legendary] and random.random() 0.5: name f{rarity.capitalize()} {name} return name def _generate_description(self, base_type: str, rarity: str, attributes: Dict) - str: 生成道具描述文本 desc_parts [f一件{rarity}品质的{base_type}。] for attr_name, attr_value in attributes.items(): if attr_value 80: desc_parts.append(f它的{attr_name}极为出色({attr_value})。) elif attr_value 50: desc_parts.append(f它的{attr_name}不错({attr_value})。) else: desc_parts.append(f它的{attr_name}一般({attr_value})。) return .join(desc_parts)关键逻辑解析加权随机使用random.choices配合weights参数实现按权重选择稀有度这是控制游戏经济平衡的关键。属性生成从属性池中抽样确保每个道具的属性组合不同。属性值受稀有度轻微影响使高稀有度道具“名副其实”。价值计算价值由基础值 × 稀有度乘数 × 属性加成构成这是一个简化的模型实际项目可能更复杂。溢价顾客要价在真实价值基础上增加随机溢价模拟顾客的期望利润。5. 实现顾客AI与谈判系统谈判系统是游戏交互的灵魂我们将它拆分为状态计算和决策两部分。5.1 顾客AI决策逻辑 (core/customer_ai.py)import json import random from typing import Dict, Tuple, Optional from models.customer import Customer class CustomerAI: def __init__(self, config_path: str config/customer_archetypes.json): with open(config_path, r, encodingutf-8) as f: self.archetype_configs json.load(f) def prepare_customer(self, item) - Customer: 根据道具生成一个顾客 archetype_name random.choice(list(self.archetype_configs.keys())) archetype self.archetype_configs[archetype_name] # 从性格模板中随机初始化顾客属性 patience_range archetype[initial_patience_range] decay_range archetype[patience_decay_range] customer Customer( archetypearchetype_name, item_desireditem, patiencerandom.uniform(*patience_range), patience_decay_raterandom.uniform(*decay_range), base_priceitem.true_value * random.uniform(0.5, 0.9), # 底线价格是实际价值的50%-90% current_quoteitem.customer_price, # 初始报价就是道具的顾客要价 current_moodneutral ) return customer def evaluate_offer(self, customer: Customer, player_offer: float) - Dict: 评估玩家的出价并返回AI的决策和更新后的状态。 返回格式: { action: accept/reject/counter/walk_away, new_quote: float, # 新的还价如果action是counter mood: str, # 新的神态 message: str # 给玩家的反馈信息 } # 1. 计算满意度 (0-1之间1表示完全满足) satisfaction self._calculate_satisfaction(customer, player_offer) # 2. 更新耐心值 customer.patience max(0, customer.patience - customer.patience_decay_rate) # 3. 根据满意度和性格决定情绪 new_mood self._determine_mood(customer, satisfaction) customer.current_mood new_mood customer.mood_history.append({offer: player_offer, mood: new_mood, satisfaction: satisfaction}) # 4. 检查耐心是否耗尽 if customer.is_patience_exhausted(): return { action: walk_away, new_quote: None, mood: new_mood, message: f[{new_mood}] 顾客失去了所有耐心转身离开了店铺。 } # 5. 基于满意度、情绪和性格模板做出决策 archetype self.archetype_configs[customer.archetype] action, new_quote self._make_decision(customer, satisfaction, archetype, player_offer) # 6. 生成反馈信息 message self._generate_message(customer.archetype, action, new_mood, player_offer, new_quote) if action counter: customer.current_quote new_quote return { action: action, new_quote: new_quote, mood: new_mood, message: message } def _calculate_satisfaction(self, customer: Customer, player_offer: float) - float: 计算顾客对出价的满意度 if player_offer customer.current_quote: return 1.0 # 出价高于当前报价完全满意 elif player_offer customer.base_price: return 0.0 # 出价低于底线完全不满意 else: # 线性映射在底线价格和当前报价之间 return (player_offer - customer.base_price) / (customer.current_quote - customer.base_price) def _determine_mood(self, customer: Customer, satisfaction: float) - str: 根据满意度和性格决定情绪状态 threshold self.archetype_configs[customer.archetype][mood_swing_threshold] if satisfaction 0.9: return ecstatic elif satisfaction threshold: return pleased elif satisfaction threshold / 2: return neutral elif satisfaction 0.1: return annoyed else: return angry def _make_decision(self, customer: Customer, satisfaction: float, archetype: Dict, player_offer: float) - Tuple[str, Optional[float]]: 核心决策逻辑 acceptance_threshold archetype[acceptance_threshold] walk_away_threshold archetype[walk_away_threshold] # 规则1: 满意度极低直接离开 if satisfaction walk_away_threshold and random.random() 0.7: return walk_away, None # 规则2: 满意度很高接受 if satisfaction acceptance_threshold: # 即使满意也有小概率讨价还价模拟贪婪 if random.random() 0.8: return self._generate_counter_offer(customer, player_offer) return accept, None # 规则3: 其他情况根据情绪决定是拒绝还是还价 mood customer.current_mood if mood in [angry, annoyed]: # 情绪差更可能拒绝或离开 if random.random() 0.4: return reject, None else: return self._generate_counter_offer(customer, player_offer) else: # 情绪一般或好倾向于还价 return self._generate_counter_offer(customer, player_offer) def _generate_counter_offer(self, customer: Customer, player_offer: float) - Tuple[str, float]: 生成一个还价 # 还价策略在玩家出价和顾客当前报价之间取一个值并略微偏向顾客 difference customer.current_quote - player_offer # 让步幅度根据情绪和性格调整。情绪越差让步越小。 mood_factor {ecstatic: 0.7, pleased: 0.6, neutral: 0.5, annoyed: 0.3, angry: 0.2} concession difference * mood_factor.get(customer.current_mood, 0.5) * random.uniform(0.8, 1.2) new_quote customer.current_quote - concession # 确保还价不低于底线价格 new_quote max(new_quote, customer.base_price * 1.05) return counter, round(new_quote, 2) def _generate_message(self, archetype: str, action: str, mood: str, player_offer: float, new_quote: float) - str: 根据行动和情绪生成对话文本 mood_text { ecstatic: 喜笑颜开, pleased: 颇为满意, neutral: 面无表情, annoyed: 略显不悦, angry: 怒气冲冲 }.get(mood, 面无表情) base_msg f[{mood_text}] 顾客 if action accept: responses [ f点了点头“就按{player_offer}这个价吧。”, f露出笑容“成交”, f思索片刻“好吧你赢了。” ] elif action reject: responses [ f摇了摇头“{player_offer}这不可能。”, f皱起眉头“这价钱我接受不了。”, f摆摆手“太低了再想想。” ] elif action counter: responses [ f摸了摸下巴“{player_offer}太低了。如果你能出到{new_quote}我们就成交。”, f犹豫了一下“这个... {new_quote}怎么样”, f坚定地说“最低{new_quote}不能再少了。” ] else: # walk_away responses [ “哼了一声转身就走。”, “摆了摆手“算了我去别家看看。””, “头也不回地离开了柜台。” ] return base_msg random.choice(responses)AI决策流程解析满意度计算将玩家的出价映射到[底线价格 当前报价]区间上的一个0-1的值这是所有决策的基础。情绪模拟满意度结合性格模板中的mood_swing_threshold决定当前情绪。情绪会影响后续决策的概率权重。决策树决策不是随机的而是一个基于规则的状态机。优先级是离开 接受 还价/拒绝。每个分支的概率受满意度、情绪和性格参数影响。还价策略还价是一个简单的线性让步但引入了mood_factor和随机因子使每次还价不可预测且符合角色设定。文本生成将机械的决策转化为有角色感的对话增强游戏沉浸感。5.2 谈判流程管理器 (core/negotiation.py)这个模块负责串联整个谈判流程。from core.item_generator import ItemGenerator from core.customer_ai import CustomerAI from models.customer import Customer class NegotiationSession: 管理一次完整的谈判会话 def __init__(self): self.item_gen ItemGenerator() self.customer_ai CustomerAI() self.customer None self.rounds 0 self.max_rounds 5 # 最大谈判轮次 def start_new_session(self): 开始新的谈判生成道具和顾客 item self.item_gen.generate_item() self.customer self.customer_ai.prepare_customer(item) self.rounds 0 print(f\n 新顾客上门 ) print(f顾客性格{self.customer.archetype}) print(f典当物{self.customer.item_desired.name}) print(f描述{self.customer.item_desired.description}) print(f顾客要价{self.customer.item_desired.customer_price:.2f} 金币) print(f你评估的实际价值约为{self.customer.item_desired.true_value:.2f} 金币) print(f顾客初始神态{self.customer.current_mood}) return self.customer.item_desired def player_offer(self, offer_price: float) - Dict: 玩家出价返回AI响应 if self.customer is None: raise ValueError(尚未开始谈判会话。请先调用 start_new_session()。) if self.rounds self.max_rounds: return {action: timeout, message: 谈判轮次过多顾客失去了兴趣。} self.rounds 1 print(f\n--- 第 {self.rounds} 轮谈判 ---) print(f你的出价{offer_price:.2f} 金币) result self.customer_ai.evaluate_offer(self.customer, offer_price) print(result[message]) print(f顾客当前耐心{self.customer.patience:.2f}) if result[action] counter: print(f顾客还价{result[new_quote]:.2f} 金币) elif result[action] in [accept, walk_away]: self._end_session(result[action]) return result def _end_session(self, result: str): 结束会话结算 if result accept: print(f\n[交易成功] 你以 {self.customer.current_quote:.2f} 金币收购了 {self.customer.item_desired.name}。) profit self.customer.item_desired.true_value - self.customer.current_quote if profit 0: print(f预计利润{profit:.2f} 金币) else: print(f预计亏损{profit:.2f} 金币) else: print(f\n[交易失败] 顾客离开了。) self.customer None6. 运行验证与主程序我们将创建一个简单的主程序来验证整个系统是否按预期工作。6.1 编写主程序 (main.py)import sys import os sys.path.insert(0, os.path.dirname(os.path.abspath(__file__))) from core.negotiation import NegotiationSession def main(): print(欢迎来到典当行模拟器) session NegotiationSession() while True: input(\n按回车键迎接下一位顾客...) item session.start_new_session() while session.customer is not None: try: offer_input input(\n请输入你的出价数字或输入 q 退出) if offer_input.lower() q: print(游戏结束。) return player_offer float(offer_input) result session.player_offer(player_offer) if result.get(action) in [accept, walk_away, timeout]: break # 本轮谈判结束 except ValueError: print(请输入有效的数字。) except KeyboardInterrupt: print(\n游戏结束。) return if __name__ __main__: main()6.2 运行与交互测试在项目根目录下打开终端运行python main.py你应该能看到类似以下的输出并可以进行交互欢迎来到典当行模拟器 按回车键迎接下一位顾客... 新顾客上门 顾客性格haggler 典当物精致的金戒指 描述一件uncommon品质的jewelry。它的carat不错(3.42)。它的clarity极为出色(92.34)。它的craftsmanship一般(47.15)。 顾客要价647.47 金币 你评估的实际价值约为359.71 金币 顾客初始神态neutral 请输入你的出价数字或输入 q 退出300 --- 第 1 轮谈判 --- 你的出价300.00 金币 [面无表情] 顾客摸了摸下巴“300.0太低了。如果你能出到520.98我们就成交。” 顾客当前耐心0.76 顾客还价520.98 金币 请输入你的出价数字或输入 q 退出400 ...通过多次游戏你可以观察到每次生成的道具属性、价值、名称都不同。不同性格的顾客急躁、狡猾、天真对同一出价的反应不同。顾客的神态喜笑颜开、面无表情、怒气冲冲会随谈判变化。谈判存在破裂顾客离开和成功接受两种结局。7. 常见问题排查与调试在实现和运行此类系统时你可能会遇到以下典型问题7.1 道具生成相关问题问题现象可能原因检查与解决方式生成的道具价值过于集中或离谱。config/item_templates.json中base_value_range或value_multiplier_range设置不合理。调整配置中的数值范围。确保稀有度乘数梯度明显如传奇史诗稀有。道具属性总是那几样缺乏多样性。attribute_pool中属性权重设置失衡或num_attrs生成数量太少。检查属性权重确保没有某个属性权重远高于其他。增加num_attrs的随机范围。生成速度慢尤其是大量生成时。_generate_description等方法在循环中被频繁调用或JSON配置被重复加载。将配置加载移至初始化阶段并缓存。对于描述生成考虑使用模板和字符串格式化代替循环拼接。7.2 顾客AI与谈判相关问题问题现象可能原因检查与解决方式顾客总是立刻接受或离开谈判没有过程。acceptance_threshold或walk_away_threshold设置极端如0.99和0.01。调整config/customer_archetypes.json中的阈值使其分布更合理如接受阈值0.7离开阈值0.1。还价幅度固定缺乏随机性。_generate_counter_offer方法中的concession计算过于线性随机因子范围太小。引入更复杂的还价算法如基于正态分布的随机让步或加入“固执度”个性参数。情绪变化不明显或不符合预期。_determine_mood方法中的满意度区间划分不合理或mood_swing_threshold未起作用。打印出每轮的满意度数值对照情绪转换逻辑检查。调整阈值和区间。7.3 系统运行与数据问题问题现象可能原因检查与解决方式运行main.py时报ModuleNotFoundError。Python 路径问题core,models等目录未被识别为模块。确保在项目根目录下运行并检查__init__.py文件是否存在。或使用sys.path.insert确保路径正确。配置文件修改后游戏行为未改变。Python 缓存了已加载的模块或配置文件。重启Python解释器。在生产环境中需要实现配置的热重载机制。游戏平衡性难以调整。平衡参数价值、概率、阈值散落在代码和配置中难以统调。建立集中的“平衡性配置文件”将所有可调参数如溢价范围、衰减速率、权重放在一起便于整体调整和版本控制。调试建议在开发阶段可以在CustomerAI.evaluate_offer方法中临时添加详细的日志打印输出每一轮的满意度、耐心值、决策因子等内部状态这是理解AI行为最直接的方式。8. 最佳实践与扩展方向8.1 工程化最佳实践数据与逻辑分离正如我们所做的将道具模板、顾客性格等游戏数据放在JSON配置文件中。这允许策划人员非程序员调整游戏内容而无需修改代码。使用数据类Python的dataclass或Pydantic模型能极大简化数据对象的定义、验证和序列化减少样板代码。参数化设计AI的行为应由参数驱动如阈值、衰减率。避免在代码中写死逻辑判断而是通过调整参数来改变行为这使系统更灵活、更易测试。添加日志系统替换print语句为正式的日志记录如Python的logging模块区分DEBUG、INFO、WARNING等级别便于线上问题追踪。编写单元测试为ItemGenerator.generate_item、CustomerAI.evaluate_offer等核心函数编写单元测试确保随机性在合理范围内逻辑变更不会引入意外错误。8.2 游戏性扩展方向更丰富的道具系统复合属性属性之间可以有关联例如“魔法威力”高可能降低“耐久度”。真伪鉴定引入“鉴定技能”或“鉴定工具”玩家需要投资才能看到道具的真实属性否则有看错的风险。道具来源与故事为道具附加随机的背景故事影响其价值和对特定顾客的吸引力。更复杂的顾客AI记忆与学习顾客可以记住玩家的谈判风格并在后续交易中调整策略。需求系统顾客典当物品可能有隐藏需求急需用钱、清理库存影响其底线价格和耐心。关系系统与顾客建立长期关系老顾客可能带来更好的物品或更低的溢价。店铺经营维度收购与销售玩家不仅收购还需要将物品销售给其他NPC或通过拍卖行获利。店铺升级升级店铺可以吸引更高端的顾客、提高鉴定能力、增加库存空间。事件系统随机事件如市场波动、小偷光顾、特殊顾客委托等。持久化与状态管理将游戏状态玩家资金、库存、顾客关系保存到数据库或文件实现存档/读档功能。8.3 性能与架构考虑当系统规模扩大时需要考虑ECS架构如果使用游戏引擎如Unity、Godot可采用实体组件系统架构来管理大量的道具、顾客等游戏实体提升性能和可维护性。异步操作生成大量道具或进行复杂AI计算时使用异步避免阻塞主线程。配置热重载实现不重启游戏即可加载新配置的功能便于快速迭代。通过这个项目原型你不仅实现了一个简易的《当铺人生2》核心玩法模拟更重要的是掌握了一套构建数据驱动、状态可变的模拟经营游戏系统的通用方法。从配置定义、数据模型、程序生成到基于规则的AI这套模式可以扩展到各种资源管理、交易和策略游戏中。下一步你可以尝试将其集成到一个真正的游戏引擎中添加图形界面或者深化AI引入机器学习来让顾客行为更加不可预测和富有“人味”。 游戏开发实战：构建程序化道具生成与状态驱动AI的模拟经营系统
在独立游戏和模拟经营领域一款名为《当铺人生2》的作品因其独特的“奇幻典当”和“程序随机生成”机制获得了大量玩家的“特别好评”。对于开发者而言这类游戏的核心吸引力不仅在于其玩法创意更在于其背后精巧的系统设计。本文将从一个技术实践者的视角深入剖析如何构建一个类似《当铺人生2》核心玩法的模拟经营系统原型。我们将聚焦于“全道具程序随机生成”和“基于顾客神态的深度谈判AI”这两个关键技术点使用常见的游戏开发技术栈完成一个可运行、可扩展的迷你“典当大亨”模拟器。本文的目标读者是对游戏开发、模拟AI或数据驱动系统设计感兴趣的开发者。通过阅读和实践你将理解如何设计一个属性随机的道具系统以及如何构建一个根据多维状态神态、属性进行动态决策的谈判AI。我们将使用Python作为演示语言因其语法清晰易于理解核心逻辑但所涉及的设计模式与思想可以无缝迁移到C#、Java或JavaScript等游戏开发常用语言中。1. 理解核心机制程序生成与状态驱动AI在动手编码之前必须厘清两个核心机制的设计思路这决定了我们后续代码的结构和扩展性。1.1 全道具程序随机生成“程序随机生成”并非简单的random()函数调用而是一套系统的、可控的、具备合理性的生成规则。在典当游戏语境下一个道具通常包含以下维度基础类型如武器、珠宝、书籍、艺术品、杂物等。品质/稀有度普通、精良、稀有、史诗、传奇这直接影响价值基数和生成概率。属性集合每个类型有专属的属性池。例如武器可能有“锋利度”、“耐久度”、“历史渊源”珠宝可能有“克拉数”、“纯净度”、“设计风格”。价值由品质、属性值、以及一个随机因子综合计算得出分为“实际价值”和“顾客要价”。描述文本根据生成的属性动态拼接出富有沉浸感的描述。程序生成系统的目标是在上述规则约束下创造出海量且不重复的道具同时保证生成结果的“合理性”不会出现一把“生锈的传奇圣剑”这种违和组合。我们将采用数据驱动的设计将规则定义在配置文件中使系统易于调整和扩展。1.2 顾客神态与深度谈判AI谈判是游戏的核心交互。一个简单的“是/否”或“滑块出价”远远不够。“深度谈判”意味着AI对手顾客的行为由内部状态驱动并对外部刺激玩家的出价产生符合逻辑的反应。顾客内部状态底线价格顾客内心能接受的最低售价通常低于其要价。耐心值一个随着谈判回合递减的数值耗尽则谈判破裂。性格模板如“急躁”、“狡猾”、“诚实”、“犹豫”影响状态变化速率和决策权重。当前情绪/神态由“对当前出价的满意度”、“耐心值”、“性格”共同计算得出的外在表现如“满意”、“犹豫”、“焦虑”、“愤怒”。谈判AI决策流程玩家出价。AI计算“出价满意度”(出价-底线)/(要价-底线)。根据满意度、当前情绪、性格决定下一个行为接受、拒绝、还价、或直接离开。更新顾客的耐心值和情绪状态。将决策结果包括新的要价和神态描述反馈给玩家。这个AI模型是一个有限状态机FSM或行为树BT的简化实现关键在于状态转移规则的设计。2. 环境准备与项目结构我们将创建一个纯净的Python项目来模拟实现。无需复杂的游戏引擎重点在于逻辑和数据模型。2.1 开发环境与工具Python 3.8确保已安装Python。在命令行输入python --version检查。代码编辑器VS Code、PyCharm或任何你熟悉的文本编辑器。数据格式我们将使用JSON来定义游戏数据因其易于阅读和修改。2.2 创建项目目录与文件创建一个名为pawn_shop_simulator的文件夹并建立如下结构的文件pawn_shop_simulator/ ├── config/ # 配置文件目录 │ ├── item_templates.json # 道具生成模板 │ └── customer_archetypes.json # 顾客性格模板 ├── core/ # 核心逻辑目录 │ ├── __init__.py │ ├── item_generator.py # 道具生成器 │ ├── customer_ai.py # 顾客AI逻辑 │ └── negotiation.py # 谈判核心流程 ├── models/ # 数据模型目录 │ ├── __init__.py │ ├── item.py # 道具数据类 │ └── customer.py # 顾客数据类 ├── utils/ # 工具函数 │ ├── __init__.py │ └── helpers.py # 随机数、计算等辅助函数 └── main.py # 主程序入口你可以使用以下命令快速创建Linux/macOSmkdir -p pawn_shop_simulator/{config,core,models,utils} touch pawn_shop_simulator/config/{item_templates.json,customer_archetypes.json} touch pawn_shop_simulator/core/{__init__.py,item_generator.py,customer_ai.py,negotiation.py} touch pawn_shop_simulator/models/{__init__.py,item.py,customer.py} touch pawn_shop_simulator/utils/{__init__.py,helpers.py} touch pawn_shop_simulator/main.py3. 构建数据模型与配置文件数据模型是系统的骨架好的模型设计能让后续逻辑清晰明了。3.1 定义道具模型 (models/item.py)import json from dataclasses import dataclass, field from typing import Dict, List, Any import random dataclass class Item: 道具类 id: str # 唯一标识 name: str # 生成后的完整名称 base_type: str # 基础类型如weapon rarity: str # 稀有度如rare attributes: Dict[str, float] # 属性名到值的映射如 {sharpness: 85.5} true_value: float # 实际价值 customer_price: float # 顾客要价 (通常 true_value) description: str # 动态生成的描述 def to_dict(self) - Dict[str, Any]: 转换为字典便于存储或显示 return { id: self.id, name: self.name, type: self.base_type, rarity: self.rarity, attributes: self.attributes, true_value: round(self.true_value, 2), customer_price: round(self.customer_price, 2), description: self.description }3.2 定义顾客模型 (models/customer.py)from dataclasses import dataclass, field from typing import Dict import uuid dataclass class Customer: 顾客类 id: str field(default_factorylambda: str(uuid.uuid4())[:8]) archetype: str # 性格模板如 haggler item_desired: Item # 想要典当的道具引用Item对象 patience: float # 当前耐心值范围0-1 patience_decay_rate: float # 每回合耐心衰减速率 base_price: float # 底线价格 current_quote: float # 当前报价顾客侧 current_mood: str neutral # 当前神态/情绪 mood_history: List[Dict] field(default_factorylist) # 神态历史用于调试或高级AI def is_patience_exhausted(self) - bool: return self.patience 03.3 配置道具生成模板 (config/item_templates.json)这个文件定义了游戏内所有可能道具的生成规则。{ rarities: { common: {weight: 50, value_multiplier_range: [0.8, 1.2]}, uncommon: {weight: 30, value_multiplier_range: [1.2, 1.8]}, rare: {weight: 15, value_multiplier_range: [1.8, 3.0]}, epic: {weight: 4, value_multiplier_range: [3.0, 5.0]}, legendary: {weight: 1, value_multiplier_range: [5.0, 10.0]} }, base_types: { weapon: { name_prefixes: [生锈的, 锋利的, 古老的, 精致的], name_cores: [短剑, 长弓, 战锤, 法杖], name_suffixes: [, of Swiftness, of the Bear], attribute_pool: { sharpness: {range: [30, 100], weight: 70}, durability: {range: [20, 100], weight: 80}, historical_significance: {range: [0, 100], weight: 20}, magical_power: {range: [0, 150], weight: 15} }, base_value_range: [50, 200] }, jewelry: { name_prefixes: [闪亮的, 古朴的, 巨大的, 精致的], name_cores: [金戒指, 银项链, 宝石胸针, 珍珠耳环], name_suffixes: [, (家族徽章), (婚戒)], attribute_pool: { carat: {range: [0.5, 5.0], weight: 90}, clarity: {range: [50, 100], weight: 60}, craftsmanship: {range: [40, 100], weight: 50} }, base_value_range: [100, 500] } } }配置关键解释rarities: 定义了稀有度层级、生成权重和价值乘数区间。权重用于随机抽选。base_types: 每个基础类型有自己的命名规则、属性池和基础价值区间。attribute_pool: 每个属性有其取值范围和出现权重。权重越高在生成时被选中的概率越大。3.4 配置顾客性格模板 (config/customer_archetypes.json){ impatient: { description: 急躁的顾客耐心消耗快容易愤怒。, initial_patience_range: [0.3, 0.6], patience_decay_range: [0.2, 0.4], mood_swing_threshold: 0.3, acceptance_threshold: 0.85, walk_away_threshold: 0.15 }, haggler: { description: 狡猾的讨价还价者初始要价高但愿意逐步让步。, initial_patience_range: [0.6, 0.9], patience_decay_range: [0.1, 0.2], mood_swing_threshold: 0.5, acceptance_threshold: 0.7, walk_away_threshold: 0.05 }, naive: { description: 天真的顾客要价接近实际价值容易满意。, initial_patience_range: [0.7, 1.0], patience_decay_range: [0.05, 0.15], mood_swing_threshold: 0.7, acceptance_threshold: 0.6, walk_away_threshold: 0.01 } }配置关键解释initial_patience_range: 初始耐心值范围。patience_decay_range: 每轮谈判耐心衰减值范围。mood_swing_threshold: 满意度低于此阈值时情绪可能变差。acceptance_threshold: 满意度高于此阈值时AI倾向于接受报价。walk_away_threshold: 满意度低于此阈值时AI可能直接离开。4. 实现程序化道具生成器有了数据模型和配置现在可以实现核心的生成逻辑 (core/item_generator.py)。import json import random from typing import Dict, List from models.item import Item class ItemGenerator: def __init__(self, config_path: str config/item_templates.json): with open(config_path, r, encodingutf-8) as f: self.config json.load(f) self.rarity_list list(self.config[rarities].keys()) self.rarity_weights [self.config[rarities][r][weight] for r in self.rarity_list] def generate_item(self) - Item: 生成一个随机道具 # 1. 随机选择稀有度 rarity random.choices(self.rarity_list, weightsself.rarity_weights, k1)[0] rarity_config self.config[rarities][rarity] # 2. 随机选择基础类型 base_type random.choice(list(self.config[base_types].keys())) type_config self.config[base_types][base_type] # 3. 生成属性 attributes {} attr_pool type_config[attribute_pool] # 至少选择1-3个属性 num_attrs random.randint(1, min(3, len(attr_pool))) chosen_attrs random.sample(list(attr_pool.items()), knum_attrs) for attr_name, attr_config in chosen_attrs: min_val, max_val attr_config[range] # 属性值在范围内随机稀有度越高越可能生成高值 attr_value random.uniform(min_val, max_val) * (1 (self.rarity_list.index(rarity) * 0.1)) attributes[attr_name] round(attr_value, 2) # 4. 计算基础价值 base_value_min, base_value_max type_config[base_value_range] base_value random.uniform(base_value_min, base_value_max) # 5. 应用稀有度乘数计算实际价值 value_multiplier_min, value_multiplier_max rarity_config[value_multiplier_range] value_multiplier random.uniform(value_multiplier_min, value_multiplier_max) true_value base_value * value_multiplier * (1 sum(attributes.values()) / 1000) # 6. 生成顾客要价 (通常有溢价) premium random.uniform(1.1, 1.8) # 10% 到 80% 的溢价 customer_price true_value * premium # 7. 生成名称和描述 name self._generate_name(type_config, rarity, attributes) description self._generate_description(base_type, rarity, attributes) # 8. 创建Item对象 item_id f{base_type}_{random.randint(1000,9999)} return Item( iditem_id, namename, base_typebase_type, rarityrarity, attributesattributes, true_valuetrue_value, customer_pricecustomer_price, descriptiondescription ) def _generate_name(self, type_config: Dict, rarity: str, attributes: Dict) - str: 根据配置和属性生成道具名称 prefix random.choice(type_config[name_prefixes]) core random.choice(type_config[name_cores]) suffix random.choice(type_config[name_suffixes]) name f{prefix}{core}{suffix} # 稀有度越高名称越可能包含稀有度标识 if rarity in [epic, legendary] and random.random() 0.5: name f{rarity.capitalize()} {name} return name def _generate_description(self, base_type: str, rarity: str, attributes: Dict) - str: 生成道具描述文本 desc_parts [f一件{rarity}品质的{base_type}。] for attr_name, attr_value in attributes.items(): if attr_value 80: desc_parts.append(f它的{attr_name}极为出色({attr_value})。) elif attr_value 50: desc_parts.append(f它的{attr_name}不错({attr_value})。) else: desc_parts.append(f它的{attr_name}一般({attr_value})。) return .join(desc_parts)关键逻辑解析加权随机使用random.choices配合weights参数实现按权重选择稀有度这是控制游戏经济平衡的关键。属性生成从属性池中抽样确保每个道具的属性组合不同。属性值受稀有度轻微影响使高稀有度道具“名副其实”。价值计算价值由基础值 × 稀有度乘数 × 属性加成构成这是一个简化的模型实际项目可能更复杂。溢价顾客要价在真实价值基础上增加随机溢价模拟顾客的期望利润。5. 实现顾客AI与谈判系统谈判系统是游戏交互的灵魂我们将它拆分为状态计算和决策两部分。5.1 顾客AI决策逻辑 (core/customer_ai.py)import json import random from typing import Dict, Tuple, Optional from models.customer import Customer class CustomerAI: def __init__(self, config_path: str config/customer_archetypes.json): with open(config_path, r, encodingutf-8) as f: self.archetype_configs json.load(f) def prepare_customer(self, item) - Customer: 根据道具生成一个顾客 archetype_name random.choice(list(self.archetype_configs.keys())) archetype self.archetype_configs[archetype_name] # 从性格模板中随机初始化顾客属性 patience_range archetype[initial_patience_range] decay_range archetype[patience_decay_range] customer Customer( archetypearchetype_name, item_desireditem, patiencerandom.uniform(*patience_range), patience_decay_raterandom.uniform(*decay_range), base_priceitem.true_value * random.uniform(0.5, 0.9), # 底线价格是实际价值的50%-90% current_quoteitem.customer_price, # 初始报价就是道具的顾客要价 current_moodneutral ) return customer def evaluate_offer(self, customer: Customer, player_offer: float) - Dict: 评估玩家的出价并返回AI的决策和更新后的状态。 返回格式: { action: accept/reject/counter/walk_away, new_quote: float, # 新的还价如果action是counter mood: str, # 新的神态 message: str # 给玩家的反馈信息 } # 1. 计算满意度 (0-1之间1表示完全满足) satisfaction self._calculate_satisfaction(customer, player_offer) # 2. 更新耐心值 customer.patience max(0, customer.patience - customer.patience_decay_rate) # 3. 根据满意度和性格决定情绪 new_mood self._determine_mood(customer, satisfaction) customer.current_mood new_mood customer.mood_history.append({offer: player_offer, mood: new_mood, satisfaction: satisfaction}) # 4. 检查耐心是否耗尽 if customer.is_patience_exhausted(): return { action: walk_away, new_quote: None, mood: new_mood, message: f[{new_mood}] 顾客失去了所有耐心转身离开了店铺。 } # 5. 基于满意度、情绪和性格模板做出决策 archetype self.archetype_configs[customer.archetype] action, new_quote self._make_decision(customer, satisfaction, archetype, player_offer) # 6. 生成反馈信息 message self._generate_message(customer.archetype, action, new_mood, player_offer, new_quote) if action counter: customer.current_quote new_quote return { action: action, new_quote: new_quote, mood: new_mood, message: message } def _calculate_satisfaction(self, customer: Customer, player_offer: float) - float: 计算顾客对出价的满意度 if player_offer customer.current_quote: return 1.0 # 出价高于当前报价完全满意 elif player_offer customer.base_price: return 0.0 # 出价低于底线完全不满意 else: # 线性映射在底线价格和当前报价之间 return (player_offer - customer.base_price) / (customer.current_quote - customer.base_price) def _determine_mood(self, customer: Customer, satisfaction: float) - str: 根据满意度和性格决定情绪状态 threshold self.archetype_configs[customer.archetype][mood_swing_threshold] if satisfaction 0.9: return ecstatic elif satisfaction threshold: return pleased elif satisfaction threshold / 2: return neutral elif satisfaction 0.1: return annoyed else: return angry def _make_decision(self, customer: Customer, satisfaction: float, archetype: Dict, player_offer: float) - Tuple[str, Optional[float]]: 核心决策逻辑 acceptance_threshold archetype[acceptance_threshold] walk_away_threshold archetype[walk_away_threshold] # 规则1: 满意度极低直接离开 if satisfaction walk_away_threshold and random.random() 0.7: return walk_away, None # 规则2: 满意度很高接受 if satisfaction acceptance_threshold: # 即使满意也有小概率讨价还价模拟贪婪 if random.random() 0.8: return self._generate_counter_offer(customer, player_offer) return accept, None # 规则3: 其他情况根据情绪决定是拒绝还是还价 mood customer.current_mood if mood in [angry, annoyed]: # 情绪差更可能拒绝或离开 if random.random() 0.4: return reject, None else: return self._generate_counter_offer(customer, player_offer) else: # 情绪一般或好倾向于还价 return self._generate_counter_offer(customer, player_offer) def _generate_counter_offer(self, customer: Customer, player_offer: float) - Tuple[str, float]: 生成一个还价 # 还价策略在玩家出价和顾客当前报价之间取一个值并略微偏向顾客 difference customer.current_quote - player_offer # 让步幅度根据情绪和性格调整。情绪越差让步越小。 mood_factor {ecstatic: 0.7, pleased: 0.6, neutral: 0.5, annoyed: 0.3, angry: 0.2} concession difference * mood_factor.get(customer.current_mood, 0.5) * random.uniform(0.8, 1.2) new_quote customer.current_quote - concession # 确保还价不低于底线价格 new_quote max(new_quote, customer.base_price * 1.05) return counter, round(new_quote, 2) def _generate_message(self, archetype: str, action: str, mood: str, player_offer: float, new_quote: float) - str: 根据行动和情绪生成对话文本 mood_text { ecstatic: 喜笑颜开, pleased: 颇为满意, neutral: 面无表情, annoyed: 略显不悦, angry: 怒气冲冲 }.get(mood, 面无表情) base_msg f[{mood_text}] 顾客 if action accept: responses [ f点了点头“就按{player_offer}这个价吧。”, f露出笑容“成交”, f思索片刻“好吧你赢了。” ] elif action reject: responses [ f摇了摇头“{player_offer}这不可能。”, f皱起眉头“这价钱我接受不了。”, f摆摆手“太低了再想想。” ] elif action counter: responses [ f摸了摸下巴“{player_offer}太低了。如果你能出到{new_quote}我们就成交。”, f犹豫了一下“这个... {new_quote}怎么样”, f坚定地说“最低{new_quote}不能再少了。” ] else: # walk_away responses [ “哼了一声转身就走。”, “摆了摆手“算了我去别家看看。””, “头也不回地离开了柜台。” ] return base_msg random.choice(responses)AI决策流程解析满意度计算将玩家的出价映射到[底线价格 当前报价]区间上的一个0-1的值这是所有决策的基础。情绪模拟满意度结合性格模板中的mood_swing_threshold决定当前情绪。情绪会影响后续决策的概率权重。决策树决策不是随机的而是一个基于规则的状态机。优先级是离开 接受 还价/拒绝。每个分支的概率受满意度、情绪和性格参数影响。还价策略还价是一个简单的线性让步但引入了mood_factor和随机因子使每次还价不可预测且符合角色设定。文本生成将机械的决策转化为有角色感的对话增强游戏沉浸感。5.2 谈判流程管理器 (core/negotiation.py)这个模块负责串联整个谈判流程。from core.item_generator import ItemGenerator from core.customer_ai import CustomerAI from models.customer import Customer class NegotiationSession: 管理一次完整的谈判会话 def __init__(self): self.item_gen ItemGenerator() self.customer_ai CustomerAI() self.customer None self.rounds 0 self.max_rounds 5 # 最大谈判轮次 def start_new_session(self): 开始新的谈判生成道具和顾客 item self.item_gen.generate_item() self.customer self.customer_ai.prepare_customer(item) self.rounds 0 print(f\n 新顾客上门 ) print(f顾客性格{self.customer.archetype}) print(f典当物{self.customer.item_desired.name}) print(f描述{self.customer.item_desired.description}) print(f顾客要价{self.customer.item_desired.customer_price:.2f} 金币) print(f你评估的实际价值约为{self.customer.item_desired.true_value:.2f} 金币) print(f顾客初始神态{self.customer.current_mood}) return self.customer.item_desired def player_offer(self, offer_price: float) - Dict: 玩家出价返回AI响应 if self.customer is None: raise ValueError(尚未开始谈判会话。请先调用 start_new_session()。) if self.rounds self.max_rounds: return {action: timeout, message: 谈判轮次过多顾客失去了兴趣。} self.rounds 1 print(f\n--- 第 {self.rounds} 轮谈判 ---) print(f你的出价{offer_price:.2f} 金币) result self.customer_ai.evaluate_offer(self.customer, offer_price) print(result[message]) print(f顾客当前耐心{self.customer.patience:.2f}) if result[action] counter: print(f顾客还价{result[new_quote]:.2f} 金币) elif result[action] in [accept, walk_away]: self._end_session(result[action]) return result def _end_session(self, result: str): 结束会话结算 if result accept: print(f\n[交易成功] 你以 {self.customer.current_quote:.2f} 金币收购了 {self.customer.item_desired.name}。) profit self.customer.item_desired.true_value - self.customer.current_quote if profit 0: print(f预计利润{profit:.2f} 金币) else: print(f预计亏损{profit:.2f} 金币) else: print(f\n[交易失败] 顾客离开了。) self.customer None6. 运行验证与主程序我们将创建一个简单的主程序来验证整个系统是否按预期工作。6.1 编写主程序 (main.py)import sys import os sys.path.insert(0, os.path.dirname(os.path.abspath(__file__))) from core.negotiation import NegotiationSession def main(): print(欢迎来到典当行模拟器) session NegotiationSession() while True: input(\n按回车键迎接下一位顾客...) item session.start_new_session() while session.customer is not None: try: offer_input input(\n请输入你的出价数字或输入 q 退出) if offer_input.lower() q: print(游戏结束。) return player_offer float(offer_input) result session.player_offer(player_offer) if result.get(action) in [accept, walk_away, timeout]: break # 本轮谈判结束 except ValueError: print(请输入有效的数字。) except KeyboardInterrupt: print(\n游戏结束。) return if __name__ __main__: main()6.2 运行与交互测试在项目根目录下打开终端运行python main.py你应该能看到类似以下的输出并可以进行交互欢迎来到典当行模拟器 按回车键迎接下一位顾客... 新顾客上门 顾客性格haggler 典当物精致的金戒指 描述一件uncommon品质的jewelry。它的carat不错(3.42)。它的clarity极为出色(92.34)。它的craftsmanship一般(47.15)。 顾客要价647.47 金币 你评估的实际价值约为359.71 金币 顾客初始神态neutral 请输入你的出价数字或输入 q 退出300 --- 第 1 轮谈判 --- 你的出价300.00 金币 [面无表情] 顾客摸了摸下巴“300.0太低了。如果你能出到520.98我们就成交。” 顾客当前耐心0.76 顾客还价520.98 金币 请输入你的出价数字或输入 q 退出400 ...通过多次游戏你可以观察到每次生成的道具属性、价值、名称都不同。不同性格的顾客急躁、狡猾、天真对同一出价的反应不同。顾客的神态喜笑颜开、面无表情、怒气冲冲会随谈判变化。谈判存在破裂顾客离开和成功接受两种结局。7. 常见问题排查与调试在实现和运行此类系统时你可能会遇到以下典型问题7.1 道具生成相关问题问题现象可能原因检查与解决方式生成的道具价值过于集中或离谱。config/item_templates.json中base_value_range或value_multiplier_range设置不合理。调整配置中的数值范围。确保稀有度乘数梯度明显如传奇史诗稀有。道具属性总是那几样缺乏多样性。attribute_pool中属性权重设置失衡或num_attrs生成数量太少。检查属性权重确保没有某个属性权重远高于其他。增加num_attrs的随机范围。生成速度慢尤其是大量生成时。_generate_description等方法在循环中被频繁调用或JSON配置被重复加载。将配置加载移至初始化阶段并缓存。对于描述生成考虑使用模板和字符串格式化代替循环拼接。7.2 顾客AI与谈判相关问题问题现象可能原因检查与解决方式顾客总是立刻接受或离开谈判没有过程。acceptance_threshold或walk_away_threshold设置极端如0.99和0.01。调整config/customer_archetypes.json中的阈值使其分布更合理如接受阈值0.7离开阈值0.1。还价幅度固定缺乏随机性。_generate_counter_offer方法中的concession计算过于线性随机因子范围太小。引入更复杂的还价算法如基于正态分布的随机让步或加入“固执度”个性参数。情绪变化不明显或不符合预期。_determine_mood方法中的满意度区间划分不合理或mood_swing_threshold未起作用。打印出每轮的满意度数值对照情绪转换逻辑检查。调整阈值和区间。7.3 系统运行与数据问题问题现象可能原因检查与解决方式运行main.py时报ModuleNotFoundError。Python 路径问题core,models等目录未被识别为模块。确保在项目根目录下运行并检查__init__.py文件是否存在。或使用sys.path.insert确保路径正确。配置文件修改后游戏行为未改变。Python 缓存了已加载的模块或配置文件。重启Python解释器。在生产环境中需要实现配置的热重载机制。游戏平衡性难以调整。平衡参数价值、概率、阈值散落在代码和配置中难以统调。建立集中的“平衡性配置文件”将所有可调参数如溢价范围、衰减速率、权重放在一起便于整体调整和版本控制。调试建议在开发阶段可以在CustomerAI.evaluate_offer方法中临时添加详细的日志打印输出每一轮的满意度、耐心值、决策因子等内部状态这是理解AI行为最直接的方式。8. 最佳实践与扩展方向8.1 工程化最佳实践数据与逻辑分离正如我们所做的将道具模板、顾客性格等游戏数据放在JSON配置文件中。这允许策划人员非程序员调整游戏内容而无需修改代码。使用数据类Python的dataclass或Pydantic模型能极大简化数据对象的定义、验证和序列化减少样板代码。参数化设计AI的行为应由参数驱动如阈值、衰减率。避免在代码中写死逻辑判断而是通过调整参数来改变行为这使系统更灵活、更易测试。添加日志系统替换print语句为正式的日志记录如Python的logging模块区分DEBUG、INFO、WARNING等级别便于线上问题追踪。编写单元测试为ItemGenerator.generate_item、CustomerAI.evaluate_offer等核心函数编写单元测试确保随机性在合理范围内逻辑变更不会引入意外错误。8.2 游戏性扩展方向更丰富的道具系统复合属性属性之间可以有关联例如“魔法威力”高可能降低“耐久度”。真伪鉴定引入“鉴定技能”或“鉴定工具”玩家需要投资才能看到道具的真实属性否则有看错的风险。道具来源与故事为道具附加随机的背景故事影响其价值和对特定顾客的吸引力。更复杂的顾客AI记忆与学习顾客可以记住玩家的谈判风格并在后续交易中调整策略。需求系统顾客典当物品可能有隐藏需求急需用钱、清理库存影响其底线价格和耐心。关系系统与顾客建立长期关系老顾客可能带来更好的物品或更低的溢价。店铺经营维度收购与销售玩家不仅收购还需要将物品销售给其他NPC或通过拍卖行获利。店铺升级升级店铺可以吸引更高端的顾客、提高鉴定能力、增加库存空间。事件系统随机事件如市场波动、小偷光顾、特殊顾客委托等。持久化与状态管理将游戏状态玩家资金、库存、顾客关系保存到数据库或文件实现存档/读档功能。8.3 性能与架构考虑当系统规模扩大时需要考虑ECS架构如果使用游戏引擎如Unity、Godot可采用实体组件系统架构来管理大量的道具、顾客等游戏实体提升性能和可维护性。异步操作生成大量道具或进行复杂AI计算时使用异步避免阻塞主线程。配置热重载实现不重启游戏即可加载新配置的功能便于快速迭代。通过这个项目原型你不仅实现了一个简易的《当铺人生2》核心玩法模拟更重要的是掌握了一套构建数据驱动、状态可变的模拟经营游戏系统的通用方法。从配置定义、数据模型、程序生成到基于规则的AI这套模式可以扩展到各种资源管理、交易和策略游戏中。下一步你可以尝试将其集成到一个真正的游戏引擎中添加图形界面或者深化AI引入机器学习来让顾客行为更加不可预测和富有“人味”。