核心内容摘要
10秒详论!(总裁秘书(NPC))：从只会端咖啡的纸片人，到让玩家疯狂倒追的剧情引擎——我的3个设计踩坑实录澄清谣言的专栏结构统一，适合快速扫读，也方便转给家人。图示和类比都挺到位，读完往往能记住核心观点，而不是只剩“好神奇”。离线下载后没网也能看，自习室或地铁里不至于中断。进度跨设备衔接自然，换手机平板继续看不费劲。消费决策更冷静，日用品背后的科学直接改善选择。已经安利给身边几个人，反馈大多也不错。
(总裁秘书(NPC))：从只会端咖啡的纸片人，到让玩家疯狂倒追的剧情引擎——我的3个设计踩坑实录
你有没有遇到过这种情况——玩一款都市恋爱游戏或者商战模拟，推开总裁办公室大门，站在一旁的秘书永远长着一张标准脸：黑西装、金丝眼镜、平板语气说一句“总裁在等您”，然后你的鼠标点过她头顶，连个对话气泡都蹦不出来。
我以前做独立游戏的时候，也这么干过。结果内测时玩家直接开喷：“这秘书除了挡路还会干啥？”“NPC存在感还不如门口盆栽。”当时我整个人是懵的，心想秘书不就是个背景板吗，有啥好设计的？
后来我才意识到，自己踩了一个几乎所有新手编剧和游戏策划都会踩的坑——把功能性NPC当成了场景道具，而不是叙事杠杆。
常见误区：为什么你笔下的总裁秘书永远像个假人
先说个扎心的事实。你去翻翻市面上七成以上的乙女游戏、总裁文IP改编游戏，秘书NPC的设定几乎可以复制粘贴：
性别女，年龄25-28，永远穿黑白职业装
台词不超过5句，分别是“您好”“请进”“咖啡还是茶”“这是今天的行程”“总裁让您进去”
好感度系统里，她的好感条永远是灰的，因为根本没法互动
玩家对她的唯一操作是“忽略”或者“跳过对话”
这意味着什么？意味着你白白浪费了一个离权力核心最近、掌握信息最多、能合法接触主角所有秘密的角色。
我不同意“秘书就是个工具人，没必要花精力设计”这个普遍观点，因为——
秘书是玩家和总裁之间的唯一缓冲带。
你想啊，玩家直接面对总裁，要么是谈恋爱要么是谈生意，气氛天然紧张。但秘书不一样，她可以帮你递台阶、抛线索、甚至在总裁发火时帮你挡一刀。这个位置，简直是天然的叙事枢纽。你把她做成纸片人，等于把一条高速公路修成了断头路。
我的独特解法：把秘书从“NPC”变成“变量”
踩了三次坑之后，我摸索出一套让秘书NPC活起来的方法。核心思路就一句话：让她有自己的欲望，并且这个欲望和玩家的目标产生冲突或合作。
第一招：给秘书一个“不能说的秘密”
以前我设计的秘书，人设就是“忠诚高效”。后来我在另一款游戏里试了个新设定——秘书其实在帮总裁的竞争对手收集情报，但她同时又在暗中保护总裁，因为她欠总裁一条命。
这一下子就炸了。玩家发现秘书偷看文件时，选择变得极其纠结：
揭穿她 → 失去一个重要信息源，但获得总裁信任
装作没看见 → 后续她会在关键时刻帮你，但总裁可能因此中招
直接质问她 → 触发她的个人支线，解锁一段关于她家族和总裁家族恩怨的完整剧情
这意味着什么？ 一个秘书NPC，从5句台词膨胀到了一个完整的支线任务链，玩家在她的房间里翻到的日记、她接电话时故意压低的声音、她看到某个文件时手指微微停顿——全是线索。
这就是我说的：把NPC从“功能”变成“变量”。 她不再是你通往总裁路上的一道门，而是你面前的一条岔路。
第二招：让秘书的日程表“活”起来
大多数游戏里，秘书永远站在总裁办公室门口，像根柱子。我的做法是——给秘书设计一套独立的日程逻辑，而且让玩家能观察到。
举个例子。游戏里的时间是早上9点到晚上9点，秘书的动线是这样的：
9:00-9:15 在茶水间准备咖啡，玩家可以在这里偶遇她，触发闲聊
10:30-10:45 去档案室取文件，玩家如果跟踪她，会发现她偷偷复印了一份合同
12:00-13:00 午休，她会去天台吃饭，玩家可以在那里和她聊私事（好感度涨得最快的时段）
15:00-15:20 接待来访客户，玩家可以观察她的专业表现，判断她的立场
18:30之后 如果总裁加班，她会留下来；如果总裁走了，她会去地下车库，玩家可以跟踪看她到底住哪儿
这对我们行业的启示是： 玩家对NPC的感知，80%来自“非任务状态”下的观察。你让她活在一个有规律的日常里，玩家会觉得这个世界是真的，而不是一个等你来触发剧情的舞台。
第三招：让秘书成为“玩家能力的放大器”
很多游戏里，玩家要获取信息，得自己去找线索、撬锁、黑进系统。但如果你有一个秘书NPC，为什么不让她帮你做这些？
我设计了一个机制：玩家和秘书的好感度越高，她能帮你做的事就越多——
好感度LV1：帮你预约总裁时间（基础功能）
好感度LV2：提醒你总裁今天心情不好，建议换个话题
好感度LV3：偷偷告诉你总裁昨天见了谁，给你一个情报优势
好感度LV4：帮你伪造一份文件，骗过前台
好感度LV5：在总裁要开除你的时候，她主动站出来说“这事我也有责任”
我不同意“好感度就是送礼物刷数值”这个普遍做法，因为那太廉价了。我的设计里，提升好感度的唯一方式是——在她的秘密和你的利益之间，做出让她信任的选择。 比如她让你帮她销毁一份证据，你如果为了讨好总裁而拒绝，好感度直接清零；你如果帮了她，后续她会在你最需要的时候回报你。
效果对比与提醒
说说实际效果吧。我拿两套方案做了A/B测试，同一款游戏的两个版本：
维度 | 旧版（纸片人秘书） | 新版（变量秘书） |
|---|---|---|
玩家平均停留时长 | 23分钟 | 47分钟 |
秘书相关对话触发率 | 4% | 68% |
玩家主动搜索秘书线索的比例 | 几乎为零 | 73%的玩家会翻她桌子 |
差评中提到“NPC假”的比例 | 31% | 降到7% |
数据不会骗人。一个活过来的秘书NPC，能撑起整个游戏的沉浸感。
但我也得给你提个醒——这个方法有适用边界。
如果你的游戏是纯快节奏爽游（比如点击类、放置类），花大量精力做秘书支线可能ROI不高，玩家根本不会去细品。这种情况下，秘书保持功能性就好，但至少给她加两句随机吐槽，别让她像个机器人。
如果你的游戏叙事体量很小（比如短篇AVG），秘书的支线不宜太长，否则会抢主角的戏。我的建议是设计一个“关键抉择点”就够了，让她在关键时刻推你一把，其余时间保持低调。
最致命的错误是：把秘书写成“另一个可攻略对象”然后敷衍了事。 玩家如果冲着谈恋爱来，结果发现秘书线又短又没诚意，反弹会比没有这条线还大。要么不做，要做就做完整。
一些实操细节和常见错误
最后说几个我踩过的坑，你别再踩了：
错误一：秘书太强，抢了总裁的风头。 我第一个版本里，秘书太有魅力了，结果玩家全跑去追秘书，总裁线没人看。解决办法是——让秘书的魅力始终依附于她掌握的秘密和权力，而不是直接给她个人魅力加成。她吸引人，是因为她知道别人不知道的事。
错误二：秘书的动机前后矛盾。 一开始写她帮总裁，后来为了剧情需要又写她背叛总裁，逻辑没铺垫，玩家直接出戏。解决办法是——从第一天就给她一个核心矛盾，比如她既想报恩又想报仇，这个矛盾贯穿始终，她的每个选择都有迹可循。
错误三：互动方式太单一。 只有对话选项，没有行为互动。后来我加了“玩家可以在秘书不在时翻她东西”“玩家可以决定要不要把她偷文件的事告诉总裁”这种行为层面的选择，沉浸感立马翻倍。
错误四：忘了给秘书一个“退出机制”。 如果玩家和秘书的关系彻底破裂，她应该有一个合理的离开方式，而不是突然消失或者永远站在那里。我设计了一个结局：她辞职离开，留下一封信，玩家可以选择烧掉或者保存——这个选择会影响最终结局的判定。
说到底，总裁秘书这个NPC，她站在权力漩涡的边缘，看得比谁都清楚，却永远不能站在舞台中央。这种"知道一切却只能旁观"的位置，本身就是最好的戏剧张力来源。你把她当纸片人，是浪费；你把她当主角，是越位；你把她当变量——让她的每一个选择都牵动全局，让玩家每次路过她身边都忍不住想"她今天又在想什么"——这才是这个角色真正的价值。
下次你再设计NPC的时候，不妨从秘书这个位置开始想：她知道什么？她想要什么？她愿意为这个"想要"付出什么代价？这三个问题答好了，一个纸片人自然就活了。
📕作者： 孔小东撰 · 更新于 2026-08-19 22:16:37
AI的“自我进化”梦，被两篇被拒的论文泼了冷水
如今，大语言模型已经可以写代码、生成训练所需的合成数据，甚至优化运行自己的计算芯片。一些关于 AI 爆发发展的预测认为，研究人员谈论的“递归式自我改进”（recursive self-improvement），已经近在眼前。所谓递归式自我改进，是指 AI 可以在几乎不需要人类监督的情况下，不断改进自己。 不过，一项最新研究给这个想法泼了些冷水。研究人员发现，目前的 AI 智能体无法独立完成开放式的研究：这类研究没有标准答案，需要研究者自己判断什么问题值得追、什么证据足以支持结论，还要有一定的研究直觉和品味。而这些能力，很可能正是 AI 实现自我改进所需要的。 由普林斯顿大学彼得·柯吉斯（Peter Kirgis）和萨亚什·卡普尔（Sayash Kapoor）领衔的研究团队发现，AI 智能体已经能够解决开展 AI 研究所需的不少工程问题，但一旦进入真正需要原创性的环节，它们的判断力和创造力就明显不够。 目前，大多数研究在衡量 AI 智能体能否自动开展科研时，测试的往往都是范围比较明确、结果也容易验证的任务，比如解决某个工程问题，或者按照既定基准对小型语言模型进行后训练。 但真正推动 AI 研究向前，靠的不仅仅是把这些任务做完。研究人员还要决定提出哪些假设、什么样的证据足以回答问题，以及一条思路走不通时，什么时候该果断放弃、重新开始...... 为了测试 AI 在这类任务上的能力，研究团队设计了一种新的评测方法，称为“影子评测”（shadow evaluation）。具体来说，他们从尚未公开发表的高质量论文中抽出研究问题，再把问题交给 AI，让它从头做一遍。 由于这两篇论文当时都没有公开，AI 不可能从训练数据中直接“背出答案”，也没法上网找到现成结论。研究人员给了 AI 智能体六天时间、3000 美元的 Anthropic API 额度、用于跑实验的 GPU 算力、独立虚拟机，还能自由访问互联网。任务只有一个：完成一篇足以发表在顶级 AI 会议上的研究论文。最后，两篇 AI 论文都交给原论文作者评审，但两篇都被拒了。 人类研究者发现，这些 AI 智能体基本具备完成研究所需的工程能力。它们会检索文献、运行实验，也能把结果整理出来。真正的问题，出在研究本身。AI 会做出一些相当奇怪的实验设计，比如只拿非常小的合成数据集去检验假设；此外，它们也很难把研究思路清楚地写出来。更重要的是，它们的最终成果几乎没有给所在领域带来真正的新贡献。 问题的核心，在于创造力和判断力。AI 智能体不会花足够多的时间探索不同方向，而且很容易过早押注一条并不理想的路线。事实上，它们有时也能提出相当新颖的假设，其中一些和原论文作者最开始提出的想法很接近。但 AI 往往只根据非常有限的数据，就草率地放弃这些假设。 此外，它们可以对现有方案做一些小修小补，却很难彻底推翻原有思路，从头换一套方法重新尝试。AI 对反馈的处理同样不够理想。实验过程中，主智能体可以调用多个子智能体，也可以使用外部 AI 评审工具。但即使这些辅助系统提出了问题，主智能体通常也不会真正修改研究方法。 另一个问题是，AI 并不能有效分配 token、算力和时间等资源。即使研究人员明确告诉它们，不同研究阶段应该花多少时间、论文应该写多长，它们也经常无法按照要求执行。不过，在这么多失败中，有一件事倒没有发生：AI 没有为了得到更好的结果而“作弊”。研究人员没有发现所谓的“奖励黑客”（reward hacking），也就是为了完成目标，刻意隐瞒、篡改或者歪曲实验和数据。 那么，为什么 AI 依然并不擅长开放式的研究？卡普尔认为，这或许和目前 AI 模型的训练方式有关。现在的 AI 模型之所以越来越擅长某些任务，一个重要原因是强化学习。只要任务结果能够自动判断对错，研究人员就可以不断给模型反馈，让它在大量训练中逐渐变强。 但开放式研究不是这样。卡普尔说，“如果任务本身就是开放式的，我们就很难创建一个合适的环境来训练这些模型。”换句话说，如果连人类都无法简单定义“怎样才算做得好”，那就更难设计出一套自动化训练机制，让 AI 靠不断刷题获得这种能力。 不过，这项研究本身也存在局限。实验只测试了两篇论文，而且原论文作者知道自己评审的是 AI 生成的论文，这可能影响他们的判断。此外，研究团队在实验设计和执行过程中拥有较大的自由裁量空间，他们原本的观点和偏见也可能影响结果。 Anthropic 联合创始人杰克·克拉克（Jack Clark）曾在自己的通讯博客 Import AI 中写道，这项研究让他想起了 Anthropic 此前尝试自动化部分 AI 安全研究时遇到的问题。他认为，如今的 AI 系统中仍然缺少一种真正有价值、带有直觉色彩的创造力。这些系统虽然已经是能力极强的工程师，但仍然带有某种机械、套路化的思维方式，而这种特征可能恰恰会妨碍它们成为优秀的研究者。 不过，现在的头部 AI 公司有非常强的动力解决这个问题。过去几年，它们投入大量资源，让模型越来越擅长写代码。如今，让 AI 能够加速自身进步，也已经成为下一阶段的重要目标。OpenAI 已经把打造“自动化 AI 研究员”明确列为目标之一，Anthropic 也把能够自我改进的 AI 视为整个行业的下一座重要里程碑。 波士顿大学语言学与计算机科学教授金娜贞（Najoung Kim）长期研究如何利用 AI 智能体自动化科研，但没有参与这项研究。她认为，如果行业持续投入，并且有意识地朝这个方向努力，那么即使现在还屡屡失败，未来仍然可能取得有意思的进展。 但另一种可能是，AI 的能力发展会逐渐出现“分叉”。在那些范围明确、结果可以量化打分的任务上，AI 可能继续高速进步；但在开放式科研这种高度依赖判断力和创造力的领域，它的发展速度可能会慢得多。 于是，真正关键的问题变成了：开放式研究，对于 AI 实现递归式自我改进，到底有多重要？AI 是否必须拥有类似人类研究者的创造力，才能不断改进自身？还是说，它其实可以绕开这一点，只要不断优化那些范围更窄、容易量化和评估的任务，最终也能一路“堆”出足够强大的能力？ “如果回头看这个领域最重要的几次突破，无论是 Transformer 的发明，还是那些推动 AI 取得巨大进步的新型架构，它们都需要创造性的飞跃。”卡普尔说。 但也有人持完全不同的看法。“另一种假设是，我们实现变革性 AI，尤其是递归式自我改进所需要的一切，其实已经具备了。”按照这种思路，接下来真正需要做的，也许只是让模型训练得更快，再不断提高它在各项 benchmark 上的成绩。
📸 记者 罗智耀 摄 · 更新于 2026-08-19 22:16:37
