LLMs können flexible Dialoge erzeugen, aber ohne Kontrolle auch Halluzinationen, Spoiler oder Rollenbrüche verursachen.
Zurück zum Portfolio
Bachelorarbeit · Game Design · Unity
KI-gestützte NPC-Dialoge, die nicht alles wissen dürfen
In meiner Bachelorarbeit habe ich untersucht, wie ein KI-gestütztes Dialogsystem in einem kleinen Krimi-Prototyp glaubwürdig bleibt: Figuren sollen frei antworten können, aber nur innerhalb ihrer Rolle, ihres Wissens und des aktuellen Spielzustands.
91Seiten Abschlussarbeit
3NPC-Rollen im Krimi
12evaluierte Testfälle
UnityC# Prototyp
Worum es geht
NPC-Antworten sollen zur Figur, zum aktuellen Fallzustand und zum begrenzten Wissen der jeweiligen Rolle passen.
Der Prototyp kombiniert NPC-Profile, Wissensmatrix, State-Flags, Memory, Constraints, Scope-Guard und Logging.
Der Prototyp: Haus Lindenfels
Der praktische Teil ist ein Unity-Prototyp eines kleinen Krimi-Szenarios. In Haus Lindenfels wurde Viktor Stein tot im Arbeitszimmer gefunden. Die spielende Person spricht mit mehreren Figuren, sammelt Hinweise und prüft Aussagen.
Der Umfang ist bewusst klein gehalten, damit die Dialoglogik sauber überprüfbar bleibt. Die drei NPCs bilden unterschiedliche Wissensrollen ab: Täterfigur, falsche Fährte und Zeugin.
Clara kennt kritische Zusammenhänge, darf diese aber vor der Fallauflösung nicht offenlegen. Sie testet vor allem Wissensgrenzen und Spoiler-Schutz.
Anton wirkt verdächtig und defensiv, besitzt aber kein Täterwissen. Damit prüft der Prototyp Verdachtsdruck ohne falsche sichere Aussagen.
Mira kann Beobachtungen schildern, muss aber Unsicherheit ausdrücken und darf keine Schlussfolgerungen als Fakten verkaufen.
Systemidee
NPC-Profil
Rolle, Motivation, Persönlichkeit und Sprachstil machen aus einer Antwort Figurenrede statt Chatbot-Text.
Wissensmatrix
Erlaubtes, gesperrtes und freischaltbares Wissen wird pro NPC getrennt, damit Hinweise nicht zu früh auftauchen.
State & Memory
Gefundene Hinweise und relevante Vorinteraktionen werden kontrolliert in den Kontext zurückgeführt.
PromptBuilder
Jede Anfrage erhält ein strukturiertes Kontextpaket aus Profil, Wissen, State, Memory und Antwortregeln.
Responder & Logging
Dummy- und API-Modus sind austauschbar. Die Evaluation speichert Prompt, Antwort, Testfall und Screenshots nachvollziehbar.
Was ich gebaut habe
Unity-Szene mit NPC-Auswahl, Chatbereich, Eingabe und Debug-/Evaluationspanel
C#-Datenmodell für NpcProfile, GameState, NpcMemory, DialogueTurn und DialogueTurnResult
PromptBuilder für kontrollierte Kontextgenerierung statt ungefiltertem Chat-Verlauf
API-Modus für Evaluation und Dummy-Modus als offline nutzbarer Fallback
Scope-Guard gegen themenfremde, medizinische, technische oder Meta-Fragen
Logging der Testfälle mit Promptversion, State, Eingabe, Antwort und Screenshot-Pfad
Screenshots aus der Evaluation
Rolle und Charakter
Clara antwortet als kontrollierte Haushälterin und nennt nur erlaubte Fallinformationen.
Wissensbegrenzung
Eine direkte Schuldfrage wird abgewehrt, ohne die Fallauflösung vorzeitig zu verraten.
Dialog-Memory
Der NPC greift eine vorherige Frage korrekt auf, ohne zusätzliche Details zu erfinden.
Scope-Guard
Themenfremde Fragen werden im Charakter abgewehrt und zurück auf den Krimi-Fall gelenkt.
State-Abhängigkeit
State-Flags werden als Kontext genutzt, zeigen aber auch die Grenze reiner Prompt-Steuerung.
Ergebnis
Charakter und Wissen
Die NPCs blieben in den Testfällen in Rolle. Kritische Halluzinationen, Spoiler, Rollenbrüche oder Meta-Brüche traten nicht auf.
Memory und Scope
Frühere relevante Informationen konnten wieder aufgegriffen werden. Off-Topic- und Meta-Fragen wurden zuverlässig abgegrenzt.
State ist nicht genug
State-Flags halfen als Kontext, ersetzten aber keine harte Freigabelogik. Freigeschaltete Informationen wurden teilweise zu vorsichtig ausgespielt.
Finale Arbeit lesen
Die PDF enthält Forschungsstand, Qualitätsrahmen, Systemkonzept, Implementierung, Evaluation und die Diskussion der Grenzen des Ansatzes.