前言
寫在前面
綱要：
- 名詞解釋
- 如何用 LLM 進行RP。
- 進行一場簡單的RP。
- 為什麼要編寫prompt。
- 選擇Google Gemini的原因。
什麼是 RP
RP（Role-playing，角色扮演），泛指扮演特定角色，依照人設進行演出與他人互動。
詞語本身具多重歧義，但本系列文將聚焦於以LLM進行角色扮演遊戲的範疇。
尤其是對單人（或少數）角色的互動模擬。（原因於後說明）
參考資料：WIKI對角色扮演的介紹
什麼是 LLM
LLM（Large Language Model，大型語言模型）是一種基於人工神經網路與 Transformer 架構的深度學習 AI。它透過極為大量的文字數據訓練而成，能夠理解人類的自然語言（平常講話的方式）並進行對話。
其本質上是一個強大的 「文本生成器」 或 「機率預測機器」 。它就像一個讀過全世界所有書籍、且極度擅長玩「文字接龍」的超級大腦：
拆解與定位（Tokens & Vectors）
在訓練時，LLM 會將素材拆解成極細微的小區塊（Token），並轉換成數位世界的座標（向量）。這讓它能理解詞彙之間的語意關聯（例如「太陽」與「溫暖」在座標上會很接近）。建立規律（Transformer 架構）
透過繁複的演算法，它會找出詞彙之間隱藏的統計規律。譬如：當出現 「床前明月」 時，它知道下一個字出現 「光」 的機率最高。預測與生成
當你提問時，LLM 會拆解你的問題，並在龐大的「規律地圖」中定位，藉此預測下一個字、下一個片段最可能出現的內容，進而拼湊出完整的回答。核心是「機率」
LLM 的輸出，本質上是機率的選擇。
即使是同一個問題，它每次生成的路徑可能略有不同，因此不一定會得到完全相同的答案。
這也是為什麼 Prompt（提示詞） 的引導如此重要 —— 好的 Prompt 能將機率導向更準確的答案。
Token 是 LLM 處理文字的最小單位。（也是收費單位）
LLM 在讀取或生成文字之前，會先把所有文字切成一塊一塊的 token。大致上：
英文：
一個常見單字 ≈ 1 個 token。
長單字或複雜單字會被切開。（如 friendship 可能拆成 friend 和 ship）
中文：通常 1–2 個字 ≈ 1 個 token。（與模型版本有關，越新穎的編碼技術越高，轉換比也更高）
其他：空格、換行、標點符號也列入token計算。
參考資料：
- AWS對LLM的介紹
- WIKI對LLM的介紹
- 推薦影片：AI 的底層邏輯與機率預測
（雖然是以影片生成為例，但底層規律與 LLM 互通） - 推薦影片：從 LLM 一直到 Agent Skill 的簡介
（在30分鐘內快速建立對 LLM 的底層概念，涵蓋了常用的術語的解釋）
適合RP用途之 LLM
| 模型系列 | 免費可用版本 (2026) | 特色與 RP 表現 | 缺點 | 連結 |
|---|---|---|---|---|
| Claude (Anthropic) | Claude 4 Sonnet / 3.7 Sonnet | 文采之王。筆觸最細膩、具備極強的情感共鳴與文學修飾力，角色最不像機器人。 | 免費額度較嚴格（每幾小時僅數則），且對特定敏感題材有基礎攔截。 | 連結 |
| Grok (xAI) | Grok 3 (Limited) / Grok 4 Fast | 個性鮮明。原生語氣幽默、毒舌、叛逆，適合現代背景、反英雄或痞氣角色，審查相對寬鬆。 | 敘事風格較為直白、缺乏華麗辭藻；長篇劇本的邏輯一致性略遜於 Claude。 | 連結 |
| DeepSeek (深度求索) | DeepSeek-V3 | 高性價比/全能。對中文語境理解極佳，指令遵循度高，且對多種 RP 風格（古風、二次元）都有良好適配。 | 雖然海外可用，但尖峰時段 Web 版可能稍有延遲，情感深度略薄於 Claude。 | 連結 |
| Gemini (Google) | Gemini 3 Flash | 超長記憶。具備百萬級上下文，能記住極長篇幅的劇情伏筆與設定，環境描寫與分鏡感強。 | 語氣偶爾顯得過於「正經」或「AI 腔」，需要較強的 Prompt 引導才能進入狀態。 | 連結 |
| GPT (OpenAI) | GPT-5 mini / o3-mini | 邏輯大師。世界觀建構（World Building）與複雜規則執行力最強，不容易出現設定衝突或出戲。 | 文字風格較為公式化，且安全過濾機制較為繁瑣，容易導致劇情推進受阻。 | 連結 |
| Kimi (月之暗面) | Kimi-K2.5 | 檔案處理專家。適合丟入整本小說或設定集進行參考，對長篇劇情大綱的掌握度極高。 | 海外版功能更新速度略慢於國內版，文學張力屬於中規中矩。 | 連結 |
| Qwen (通義千問) | Qwen 3.5 (各尺寸) | 開源界標竿。對繁體中文及亞洲文化背景（修仙、武俠）的支持度是所有模型中最好的。 | 免費 Web 版的限制較多，通常需要透過 HuggingChat 或第三方平台調用。 | 連結 |
(260323現時點，AI整理)
如何用 LLM 進行RP
一句型RP
使用 LLM 進行RP非常簡單，在交談中指示要進行RP，並且與 LLM 討論角色與情境，即可開始RP。
譬如：
我想進行RP，LLM請扮演咬著土司趕上學的冒失女高中生，我(玩家)扮演男高中生。上學途中，兩人在街角撞在一起。
將上述指令貼入上面提到的各大 LLM 對話框中送出。
並正常與 LLM 交談進行RP。
除直接輸入台詞外，若須包含動作，可參考下述範例：
- 你沒怎樣吧 (從地上爬起來，拍拍衣服上的灰塵)
- 「你沒怎樣吧」 從地上爬起來，拍拍衣服上的灰塵
- 從地上爬起來，拍拍衣服上的灰塵，嘴裡說些安慰她的話。
恭喜你，開始了第一次的RP體驗。
這個結構簡單且定義清楚：
- LLM 應扮演的角色
- 使用者/我/玩家 扮演的角色
- 大致的情境
明確定義 LLM 與玩家各該扮演的角色，能有效的避免角色的混淆。
沒定義清楚時，偶爾會發生 LLM 自主性的扮演所有角色。
不斷地擅自推進故事的狀況。
改進RP品質
這樣像狀況劇一般，一句話型的RP很有趣。
但玩過幾次會發覺，由於指令過於簡單且籠統，導致生成內容充滿各種可能，
但變化大的結果是，生成內容良莠不齊，無法每次都滿足玩家的需求或喜好。
為了解決這個問題，可以進行設定的擴寫：
我想進行RP，以第三人稱，小說文體進行敘事。LLM請扮演咬著土司趕上學的冒失女高中生，小娜，髮型是高層次鮑伯頭，面容秀氣可愛，身材纖細，性格有些冒失且膽小，頭髮亂糟糟的，穿著急忙套上的水手服，鈕扣還扣錯。我(玩家)扮演男高中生，小明。上學途中，兩人在街角撞在一起。其實是女高中生看錯時間，真正上學的時間還沒到。兩個人是同校生，教室在隔壁班，小娜對玩家有些印象。
上述改進：
- 豐富女高中生的人設。
- 增加了背景設定。
- 增加了敘事風格、人稱的定義與人名。
豐富的人設與設定，能讓 LLM 在生成內容時，有更具體的參考。
而敘事的風格與人稱的指派，能讓敘事時，增加角色心聲的敘述。
雖然追加的設定，產生約束，進而降低了 LLM 自由的發揮可能性，
但追加的內容，反倒為兩人創造出新的火花，讓後續的發展更有戲。
可以說追加設定，能進行加味與調味，
讓產出內容更精緻化，更貼合玩家心中的期望。
什麼是 prompt
Prompt（提示詞）本質上和 「一般在對話框下指令」 是同一件事，
但 Prompt 背後代表著一套更進階、更準確的溝通思維。
目前的 LLM 基於機率生成回答。 同樣的問題，不同的問法會觸發模型內部的不同權重路徑。
提問的方式，會直接的影響產出的品質，因此如何編寫 Prompt，是與 LLM 溝通的一門藝術。
譬如：
- 直接在對話框下指令：什麼是小籠包？
- 使用prompt思維下指令：請用繁體中文寫一篇300字的小籠包介紹，內容包含由來、發展與特色，語氣親切端莊，目標是一般遊客。
就如同前面 「兩人上學相撞」 的例子一般，在進行詳細的定義後。
能產出更明確、品質更高、貼合需求的結果。
好的prompt能幫助使用者：
- 精確的獲得想要的答案：
精確的 Prompt 能透過設定邊界（例如要求「僅根據提供的文件回答」），
大幅降低 AI 幻覺，降低胡說八道的機率，提高資訊的準確性。 - 控制輸出格式：
直接指定回答的角色定位；內容結構、長度、表現風格，實現高度客製化的輸出。 - 解鎖的AI深層能力：
許多 AI 的進階能力（推理、角色扮演、多步驟分析）需要透過設計好的 Prompt 才能發揮。 - 節省來回溝通的時間：
減少往復修改與補充說明的次數。 - 提升自動化效率：
在開發層面，Prompt 是串接 AI API 與實際應用的橋樑。
標準化的prompt，能協助AI穩定執行高重複性工作。
要提高prompt的品質，可以參考下列幾個方向：
| 技巧 | 說明 | 範例 |
|---|---|---|
| 角色(Role) | 讓 AI 扮演特定專家 | 「你是一位行銷顧問⋯」 |
| 背景(Context) | 說明背景與目的 | 「我要準備一場對高中生的演講⋯」 |
| 格式(Format) | 指定輸出結構 | 「請用條列式回答，分三點」 |
| 範例(Example) | 提供樣本讓 AI 模仿 | 「請用以下風格改寫⋯」 |
| 限制(Constraints) | 設定邊界條件 | 「不超過 200 字，不要用專業術語」 |
延伸閱讀：Prompt工程（Prompt Engineering）
將 prompt 結構化
隨著需求而不斷追加設定，在對話框輸入的指令會逐漸地複雜。
最終，會開始因為文字過於冗長，難以進行閱讀、修改。
這個時候可以將prompt進行結構化，將敘述分門別類整理。
以上面 「兩人上學相撞」 的例子進行結構化的結果如下所示：
我想進行RP，以下是設定：
1.小娜(LLM扮演)：
角色：冒失女高中生。
外觀：髮型是高層次鮑伯頭，面容秀氣可愛，身材纖細。
性格：冒失且膽小。
2.小明(玩家角色):
身份：男高中生。
3.故事梗概：
小娜咬著土司趕上學，頭髮亂糟糟、穿著急忙套上的水手服（鈕扣扣錯），與男主角在街角撞在一起。
4.背景設定：
小娜看錯時間，真正上學的時間還沒到。
兩個人是同校生，教室在隔壁班，小娜對玩家有些印象。
5.敘事風格：請以第三人稱，小說文體進行敘事。
結構化後，依據角色、事件、背景、敘事，將整個 prompt 進行分類整理。
提昇了可識性，也方便後續進行增改。
將 Prompt 結構化的好處：
- 對於下指令者：
- 消除重複、冗餘的敘述。
- 方便維護、版本控制。
- 模組化與可移植性。
結構化的 prompt 可以拆分成可替換的元件，方便在不同 prompt 甚至 LLM 間組合使用。 - 便於測試評估。
結構化後，各元件可以獨立替換測試，方便診斷影響輸出品質的關鍵變數。
- 對於 LLM：
- 能激發 LLM 進行「邏輯鏈思考」（Chain of Thought），處理複雜推理任務。
- 降低 prompt 的錯誤判讀。
- 明確 prompt 判讀時的權重。
讓 LLM 知道哪些設定比較重要、哪些是補充，避免關鍵指示被忽略。
這段 prompt 目前已稍具雛型，可以在 LLM 開新對話之後。
使用剪貼的方式，抑或存成文字檔，即上傳給 LLM 。
方便以相同條件，重複執行 RP。
使用 Google Gemini
但還有更方便的方式，便是透過 Google Gemini Gem 進行編寫、測試與實行。
Google Gemini Gem 是支援以 prompt 自定義 LLM 的設置檔，可以設置多組。
Gem 的 prompt 可以參照 Google文件，因此可以直接編輯、即時同步，甚至分享給他人。
可以多組設置、方便編輯，是本系列文選用 Google Gemini 的最大原因。
除此之外 Google Gemini 還有其他長處。
選擇Gemini之原因
- Gem Prompt可參照Google文件：
- 隨時編輯、即時同步
- 插件封包
將元件獨立放在其他文檔中，在Gem中直接替換。(後續說明）
- 超長上下文（Long Context）：
- 目前 LLM RP 的通病：RM過程產生的大量內容，會導致失憶或錯亂。(後續說明）
- Gemini、ChatGPT 支持之文本長度遠優於其他模型。（2026.03.25 現時點）
- 原生多模態 (Native Multimodality)：
- 使用同一個精神網絡建構跨媒介模型，能以低消耗進行複雜的任務處理。
- 這為提供了RP更大的可能性。（RP運用於後續舉例）
- Google 生態系整合(Google Ecosystem Integration)：
- 與 Google Workspace 聯動。
- 能直接調用 Google 雲端硬碟、 Gmail、 GoogleMap 或 Youtuber 資源。
延伸閱讀：AI 的幻覺、失憶與錯亂
補充說明
雖然上面 LLM 的比較表格有提到，Gemini 須較多的 prompt 才能 「進入狀況」。
但這其實無妨，只要在 prompt 多下幾句敘述，協助RP內容生成時進行潤色即可。
接下來系列文的教學中，將會一一介紹潤色方法。
另，製作給 LLM 進行RP用的 prompt 其基本思路是共通的，
邏輯通達後，日後想轉換系統並不困難。
下一篇文章： Google Gemini Gem 介紹