嘴遁 · TalkOut — M2

用一张嘴说服一个有性格、有底线、有隐藏弱点的 AI,让它做它本来不愿做的事。 含 8 个角色 + 角色选择 + 对话循环 + 说服度判定 + 战报卡导出/分享 + 每日同题 + 排行榜 + 埋点。详见 MVP.md。

运行

npm install
cp .env.example .env.local   # 填入 LLM_API_KEY + LLM_MODEL(可选 LLM_BASE_URL)
npm run dev                  # http://localhost:3000

结构

app/
  page.tsx                角色选择页 + 今日挑战入口
  Game.tsx                单局对话(说服度条 / 三种结局 / 最骚金句 / 埋点 / daily 模式)
  ShareCard.tsx           战报卡:html-to-image 转 PNG,保存 / Web Share 分享
  DailyResult.tsx         每日结算:上榜提交 + 我的排名
  Leaderboard.tsx         今日排行榜
  api/talk/route.ts       任意 OpenAI 兼容模型,工具调用 / 纯 JSON 拿结构化输出
  api/daily/route.ts      今日同题:由日期确定性推出角色
  api/leaderboard/route.ts  GET 拉榜 / POST 提交(仅当天、当日角色、通关)
  api/track/route.ts      埋点接收
  layout.tsx · globals.css
lib/
  llm.ts          模型配置层:OpenAI 协议三件套(key+model+base_url)+ 工具/JSON 自适应
  characters.ts   8 个角色(人设 + 隐藏弱点 + 红线 + 阈值)
  daily.ts        今日 key + 确定性选角
  store.ts        文件版存储(.data/);上线换 Redis/Postgres,接口不变
  identity.ts     匿名 anonId + 昵称(localStorage)
  track.ts        客户端埋点
  types.ts        共享类型

数据 / 排行榜

• 双后端,自动切换(lib/store.ts):设了 UPSTASH_REDIS_REST_URL + UPSTASH_REDIS_REST_TOKEN 就用 Upstash Redis;没设就用本地文件 .data/(已 gitignore)。API 路由对此透明。
• 排名规则:通关者按回合数升序(越少越强),其次说服度,其次提交时间;同一玩家只留最好成绩。
  • Redis 实现用一个 ZSET/天,把三档规则压成单个复合分数(rounds*1e12 + (100-score)*1e9 + tsSec,整数精确),配 HASH 存详情,榜单 60 天 TTL 自动过期。
• 埋点事件:game_start / game_end / card_save / card_share / daily_submit(Redis 下进 events 列表,保留最近 5000 条)。

部署(Vercel + Upstash)

1. 在 console.upstash.com 建一个 Redis 数据库,复制 REST URL 和 REST Token。
2. 本地跑一次自检:npm run preflight(检查环境变量 + 构建,有问题会非零退出)。
3. 部署到 Vercel(vercel 或连 Git 仓库),在 Project → Settings → Environment Variables 配:
   • LLM_API_KEY + LLM_MODEL(+ 可选 LLM_BASE_URL)
   • UPSTASH_REDIS_REST_URL
   • UPSTASH_REDIS_REST_TOKEN
4. 重新部署。排行榜/埋点即走 Redis,跨实例持久化,无需改任何代码。
   • vercel.json 已把 /api/* 的 maxDuration 设为 30s,给 LLM 调用留足时间。

本地想验证 Redis 路径:把上面两个 Upstash 变量也写进 .env.local,npm run dev 即可。不写则继续用文件存储。

脚本

命令	作用
npm run dev	本地开发
npm run preflight	部署前自检:环境变量 + 构建
npm run eval	判定准度评测:用剧本台词打 /api/talk,逐轮打印 delta/结局供眼检(需先 npm run dev 且配好 key)

换模型(只改环境变量)

NPC 大脑由 lib/llm.ts 统一走 OpenAI 协议,换模型不动业务代码。三件套:

变量	必填	说明
LLM_API_KEY	✓	服务商的 key
LLM_MODEL	✓	模型名,如 gpt-4o-mini / deepseek-chat
LLM_BASE_URL	选填	接口地址;留空 = OpenAI 官方端点

常见服务商的 LLM_BASE_URL(填官方型号名即可):

服务商	LLM_BASE_URL	型号示例
OpenAI	留空	gpt-4o-mini
DeepSeek	https://api.deepseek.com/v1	deepseek-chat
阿里 Qwen	https://dashscope.aliyuncs.com/compatible-mode/v1	qwen-plus
Moonshot	https://api.moonshot.cn/v1	moonshot-v1-8k
智谱 GLM	https://open.bigmodel.cn/api/paas/v4	glm-4-flash
中转/私有	你的网关地址 …/v1	网关支持的型号

LLM_API_KEY=sk-xxx
LLM_MODEL=deepseek-chat
LLM_BASE_URL=https://api.deepseek.com/v1

可选:LLM_MAX_TOKENS(默认 1024,思考模型调高)、LLM_TOOL_MODE:

• auto(默认)— 先试工具调用,遇到不支持自动降级为纯 JSON
• tool — 强制 function calling(结构最稳)
• json — 从不发 tools,纯提示词 + 解析,兼容纯推理模型(如 deepseek-reasoner)

分享文案

战报卡支持一键带文案分享:移动端 navigator.share 直接把图片 + 文案(含每日挑战钩子和站点链接)发到系统分享面板;桌面端可「复制分享文案」。文案逻辑见 app/ShareCard.tsx 的 buildShareText。

角色(8)

门卫·老张 / 海关 AI·K / 前任·小薇 / 老板·王总 / 外星调查员·Zorp / 退款 AI·9527 / 丈母娘·王阿姨 / 智能门锁·小锁。

核心机制

• 模型每轮一次调用同时「扮演角色 + 当裁判」,返回: { reply, emotion, persuasion_delta(-20..20), redline_hit }
• 前端累计说服度:满 threshold(100)= 赢;redline_hit = 当场翻车;回合耗尽 = 失败。

M0 验证目标

跑通后只问一个问题:玩完想不想再来一局 / 想不想发给朋友? 是 → 继续做 M1(8 角色 + 战报卡);不是 → 改角色(弱点/红线/金句),别先改技术。