让机器人“会说人话”：聊天人格与语气库设计

决策与节奏做得再像人，一句客服腔的回复就足以让玩家出戏：盲测识别率低于5%的产品，翻车点往往不在牌桌上，而在聊天窗口。聊天的难点在于它没有标准答案——出牌可以离线验证，语言必须贴场景、贴性格、贴地域。

工程上的解法是把开放对话收敛为受控生成：由200条以上的语气化文案库覆盖高频场景，再由性格档案控制频率与选料。通用大模型的自由生成在延迟与可控性上都不适合牌桌场景，受控文案库是行业普遍采用的工程折中。

语气库的正确组织方式是二维矩阵：横轴是场景，纵轴是性格，每格放3至5条可轮换的文案。这样200余条文案就能覆盖3种性格乘以8个场景的组合，避免文案数量爆炸后难以维护、质量失控。维度一旦塌成一维，文案库就会同时失去覆盖度与一致性。

• 高频场景至少覆盖：开局问候、被炸吐槽、赢牌互动、连败安慰、催牌提醒、离桌告别
• 每条文案控制在15字以内，口语化，允许语气词与轻微的语病感
• 同一场景同一天不重复出现，轮换由调度层保证
• 所有文案入库前做盲测：不像客服、不像广告、不像教科书，三条同时满足才上线

说什么由语气库决定，说多少、多常说由性格档案决定，两层必须联动配置。激进型高频输出、稳健型惜字如金、娱乐型爱刷表情——如果聊天频率与性格脱钩，玩家看到的就是话痨高手或沉默小丑，两样都假。

联动参数建议直接写进会话配置：chat_frequency给出每局发言次数的期望区间，emotion开启时再叠加情绪状态修正。一个可参考的基准：激进型每局2至4条、稳健型0至1条、娱乐型3至5条，同桌机器人的频率档位互相错开。频率档位错开这一条，比具体数值更重要——同质化频率是最容易露馅的同桌信号。

POST /v1/games/shmj/sessions
{
  "robots": 2,
  "difficulty": "human-like",
  "emotion": "enabled",
  "chat_suggest": "enabled",
  "persona_policy": {
    "aggressive":  { "chat_frequency": "2-4", "tone_pack": "sichuan" },
    "steady":      { "chat_frequency": "0-1", "tone_pack": "sichuan" },
    "entertainer": { "chat_frequency": "3-5", "tone_pack": "sichuan" }
  }
}

地方玩法的玩家对语言的地道程度极其敏感：川麻桌上一句地道的川渝吐槽，比十条通用文案更能建立这是真人的直觉。地方化语气包因此不是锦上添花，而是地方玩法产品的标配。语气包的地域错配，比没有语气包更伤体验。

落地的两条经验：一是方言词要用在情绪峰值场景（被炸、自摸、点炮），日常场景用普通话打底，避免全程方言造成的阅读负担；二是语气包与玩法一一对应，四川麻将配川渝包、其他地方麻将配对应地域包，不要混用。

被炸吐槽、开局问候、赢牌互动是出现频率最高的三个场景，也是最容易写出机器人味的三个场景。我们把这三个场景的写法规范固定下来，供接入方自建语气库时参考。三个场景共同的原则是：情绪要真、长度要短、信息要少。

• 被炸吐槽：短促、口语、带情绪词，如连串问号加一句短叹，禁止长句分析牌局
• 开局问候：至少6条轮换，覆盖问候、抱怨手气、闲聊天气三类，禁止每次都是同一句
• 赢牌互动：自嘲式优先，禁止炫耀式与教学式
• 连败安慰：只在同桌连败时出现，一句即可，过度安慰反而假

玩家识别AI的另一条路径不是说得太假，而是说得太勤：秒回、句句回应、全天在线、从不打错字，这套行为模式在真人类玩家中并不存在。聊天系统的拟人化因此还包括不说话与说慢点的设计。会沉默的机器人才像真人，这个反直觉结论来自我们盲测数据的反向验证。

工程上做三件事：回复延迟服从真人打字节奏分布（数秒到十余秒，情绪峰值更短）；低价值场景主动沉默；允许偶尔的语病与省略。chat_suggest返回的每条建议，都会经过这层像人过滤再决定是否发出。过滤的标准只有一条：这句话像一个会打字的人吗？