Starforge AI 敘事遊戲
以多代理 AI 與 RAG 驅動的校園敘事冒險遊戲
一款 AI 驅動的 2D 校園敘事冒險遊戲。後端以 FastAPI 打造多代理協作系統（規劃、對話、記憶、安全代理），結合 RAG 向量檢索與工具呼叫，動態生成 NPC 對話與劇情；前端為自寫 TypeScript/Vite 2D 引擎。全程採 mock-first 設計，無需 GPU 即可開發測試。
已驗證 Demo 錄影 1
由 portfolio quality pass 從既有專案 demo 素材複製。
媒體總覽
快速瀏覽這個專案的截圖與錄影展示。
專案連結與 Demo 狀態
專案概覽
## 專案概述 Starforge AI Narrative 是一款 AI 驅動的 2D 校園敘事冒險遊戲，設定為美國國小五年級學生的校園與社區生活，玩法聚焦於對話、選項與任務，玩家與同學、朋友互動建立關係並合作面對霸凌等情境。核心理念是讓 LLM、RAG 與 AI 代理深度參與，使每次互動的對話與劇情走向都能動態生成，趨近真人互動體驗。 ## 技術架構 後端以 **FastAPI** 打造，採多代理協作（orchestrator）：`PlannerAgent` 使用 LLM 動態規劃要呼叫的工具序列，`DialogueAgent` 整合 RAG 上下文與遊戲狀態後生成回應，並由 `MemoryAgent` 與 `SafetyAgent` 負責記憶與內容安全。工具透過 ToolRegistry 註冊（game_state、search_lore、web_search、roll_check）。RAG 以 VectorStore 與 Embedder 抽象實作，支援 mock 關鍵詞匹配與向量相似度兩種模式。 ## Mock-first 設計 整個系統圍繞可替換的 Provider 抽象：`llm_provider` 可在 `mock`、`openai`、`local`（transformers/PyTorch）間切換，向量庫與影像生成（Stable Diffusion）亦皆有 mock 實作。如此在無 GPU、無金鑰的環境也能啟動完整 API 與前端、跑過 pytest 測試，符合「先運行、後替換真實模型」的開發策略。 ## 前端與部署 前端為自行以 **TypeScript + Vite** 撰寫的 2D 遊戲引擎，包含場景管理（探索 / 室內 / 標題）、任務、商店、成就、事件、存檔與 i18n 等管理器，並支援 Tiled（.tmx）地圖。專案附 Docker（nginx）部署設定，後端資料層以 SQLAlchemy async + SQLite/PostgreSQL 支撐，亦保留 in-memory 模式方便測試。
我的角色
獨立全端開發者（後端 AI 架構、前端遊戲引擎、測試）
問題背景
傳統文字冒險遊戲對話與分支寫死，缺乏真實人際互動感；同時 AI 整合常需昂貴模型與 GPU，開發測試門檻高。
解決方案
設計可替換的 LLM Provider 抽象層（mock/OpenAI/本地 transformers），以多代理協作（PlannerAgent 用 LLM 規劃工具序列、DialogueAgent 整合上下文、Memory 與 Safety 代理把關），搭配 RAG 向量檢索玩家自訂世界觀與角色設定，動態生成符合情境的對話與任務走向。
目前成果
完成可運行的 MVP 原型：mock 模式下無需 GPU 即可啟動 API 與前端，pytest 測試覆蓋對話、規劃、向量檢索與存檔等模組，並提供 Docker 部署設定。
作品亮點
- 多代理協作架構：Planner / Dialogue / Memory / Safety 代理分工，LLM 動態規劃工具序列並在解析失敗時回退預設
- 可插拔 LLM Provider 抽象（mock / OpenAI / 本地 transformers），加上向量檢索 mock，無 GPU 即可全功能開發
- RAG 系統支援玩家上傳自訂世界觀與角色設定，啟動時自動 ingest lore 至向量庫
- 工具註冊表整合 game_state、search_lore、web_search（Brave）、roll_check 等可呼叫工具
- 自寫 TypeScript/Vite 2D 遊戲引擎，含場景管理、任務、商店、成就、存檔與 i18n
- mock-first 測試策略：pytest-asyncio 覆蓋核心 AI 與遊戲服務，確保先跑通再替換真實模型
技術挑戰
- 在無 GPU 環境下保持 AI 功能可開發可測試，需為每個外部依賴設計 mock/stub
- 多代理與多步工具規劃的編排複雜，需處理 LLM 輸出解析失敗的回退機制
目標使用者
- 作品集審閱者與面試官
- 需要快速理解專案目的、技術棧與成熟度的技術讀者
技術亮點
- 偵測到的主要技術線索：Python, FastAPI, Pydantic, SQLAlchemy, OpenAI API, Transformers, PyTorch, TypeScript, Vite, Docker, pytest, SQLite
- 已有 README 作為後續補齊案例研究的依據
- 已連接公開 GitHub repository，可從作品集追溯原始碼
系統架構
此專案目前由 portfolio catalog pipeline 依 README、Git metadata、package/build 設定與素材線索建立案例頁。正式架構說明仍需依實際 source code 補齊；目前可確認的技術線索包含：Python, FastAPI, Pydantic, SQLAlchemy, OpenAI API, Transformers, PyTorch, TypeScript, Vite, Docker, pytest, SQLite。
資料流程
目前尚未完成可公開的資料流程說明。若此專案含資料處理、AI pipeline 或後端 API，後續應補上 input、processing、storage、UI/output 的端到端流程。
專案結構
starforge-AI-narrative/ README.md # project documentation, when available source files # implementation reviewed by local audit package/build config # detected capability signals
安裝與執行
This project does not expose a verified runnable web command yet. Review the README/source tree and add exact install, run, test, and build commands before interview use. No verified build command was detected. Treat the current portfolio page as a case-study placeholder until build steps are reviewed.
後續改進
- 補齊正式 README、截圖與 demo recording
- 補上架構圖、資料流程與關鍵技術決策
- 確認 build/test 狀態並更新 portfolio release report
面試說明重點
- 先說明此專案目前的成熟度與可展示範圍
- 聚焦在可驗證的技術棧、程式結構與已完成部分
- 不要宣稱尚未部署、尚未錄影或尚未測試的能力已完成
後續規劃
- 接入真實本地 LLM（Qwen2-7B）與 OpenAI 模型驗證生成品質
- 整合 Stable Diffusion 即時生成場景與角色道具圖（目前為 mock）