Criar diálogos e missões é uma das partes mais caras de um RPG: escrever centenas de falas, ramificar conversas e amarrar tudo ao mundo consome um tempo que estúdios indie dificilmente têm. Nos últimos anos, ferramentas baseadas em modelos de linguagem e em bases de conhecimento começaram a ajudar nessa tarefa — não para substituir quem escreve, mas para funcionar como uma bancada que propõe, expande e organiza conteúdo.
Este guia percorre três frentes que já existem em código aberto e podem ser experimentadas hoje: modelos locais para gerar falas sem depender de API paga, grafos de conhecimento para manter as missões coerentes com o mundo, e sistemas de validação para impedir que o modelo saia do roteiro.
Modelos locais como bancada de escrita
O caminho mais barato para experimentar é rodar um modelo de linguagem na própria máquina. O LLM-RPG é um RPG no estilo Dungeons & Dragons, com mundo vivo e NPCs movidos por modelo local, que roda totalmente offline por padrão e só conecta ao Ollama, ao Claude ou ao OpenAI quando você quer mentes de NPC mais ricas. O projeto foi desenhado como uma referência legível: o conteúdo fica em arquivos JSON, cada módulo está documentado e o modelo é sempre espelhado por uma heurística offline, para o jogo continuar jogável sem nenhuma chamada de API.
O que interessa a quem desenvolve está nos detalhes de robustez: os NPCs respondem por um protocolo JSON estruturado que a engine valida antes de aceitar; segredos dos NPCs são protegidos contra injeção; as conversas usam memória com pontuação de recuperação; e comandos como /persuade e /intimidate viram testes sociais que o jogo julga. É um exemplo concreto de como pensar em segurança e consistência desde o primeiro protótipo.
Para quem trabalha na Unreal Engine, um tutorial na Epic Developer Community mostra como conectar o Ollama ao engine via Blueprint, incluindo respostas em streaming para o diálogo parecer mais responsivo. O Ollama aceita modelos abertos como Llama, Mistral e Gemma, o que entrega um caminho gratuito para prototipar falas antes de decidir se uma API paga faz sentido no seu caso.
Grafos de conhecimento para missões coerentes
Um problema clássico da geração solta é o conteúdo não conversar com o mundo: a missão menciona lugares ou objetos que não existem naquele jogo. A abordagem do DRAGN-Town — código publicado pela Brigham Young University como parte do trabalho apresentado na CHI 2023 — ataca exatamente isso. O motor usa um grafo de conhecimento definido pelo usuário, implementado com Neo4j Aura, e um modelo GPT-2 ajustado em um conjunto de dados de World of Warcraft para gerar missões a partir do que o jogador digita.
Na avaliação feita pela equipe, as missões geradas pelo motor pareceram mais personalizadas do que as dos outros métodos testados — n-gramas e seleção aleatória. O repositório é uma aplicação de console em Python que devolve a missão, o título e o diálogo de cada pedido, e o README documenta o fluxo completo, inclusive o log usado para comparar os métodos. É um bom ponto de partida para entender como ancorar a geração em entidades reais do jogo em vez de deixar o modelo inventar nomes e lugares.
Validação: impedindo que o modelo saia do jogo
Gerar texto é fácil; mantê-lo dentro das regras do jogo é o difícil. O PANGeA é uma abordagem estruturada que usa modelos de linguagem, guiada pelos critérios do designer, para gerar conteúdo narrativo em RPGs por turnos. Ele combina um sistema de memória, um sistema de validação, um plugin para a Unity e um servidor com interface RESTful — o que permite acessar modelos locais e privados e conectar o sistema a qualquer engine. A partir das regras de configuração do designer, o PANGeA gera dados de nível como cenário, itens-chave e NPCs, além do diálogo.
O sistema de validação é a peça que chama a atenção: ao alinhar as respostas do modelo à narrativa, ele elevou a precisão do Llama-3 (8B) de 28% para 98% e a do GPT-4 de 71% para 99%, como relatado no artigo no arXiv. Em outras palavras, um modelo pequeno, com uma camada de checagem, passou a se comportar de forma comparável a um modelo bem maior nessa tarefa. A avaliação usou três tamanhos de modelo — Llama-3 (8B), GPT-3.5 e GPT-4 — e mostrou que os NPCs conseguem manter conversas dinâmicas e coerentes com a narrativa, o que não aconteceria sem o sistema de memória.
O padrão que aparece tanto no PANGeA quanto no LLM-RPG é o mesmo: deixe o modelo propor, e uma camada de código validar o resultado antes de ele entrar no jogo. Esse segundo par de olhos barato é o que separa um protótipo de demonstração de algo que não quebra no meio de uma campanha.
O que levar para o seu projeto
- Comece local e offline. Um modelo pequeno rodando na máquina não tem ida e volta de rede nem custo por chamada; dá para prototipar falas e só depois decidir se a qualidade pede um modelo maior ou uma API paga.
- Amarre o texto ao mundo. Um grafo de conhecimento com as entidades do jogo mantém missões e diálogos coerentes, como faz o DRAGN-Town.
- Valide a saída. Exija um formato estruturado (como JSON) e rejeite o que não encaixa; uma camada de checagem simples eleva bastante a precisão, principalmente em modelos pequenos.
- Tenha um plano B sem modelo. Um caminho heurístico espelhando o modelo mantém o jogo jogável offline, como faz o LLM-RPG.
Nenhuma dessas ferramentas escreve o jogo por você; o que elas fazem é encolher o custo de experimentar. Para um estúdio indie, começar com um modelo local, um grafo pequeno e uma checagem de saída é um caminho barato e reversível para descobrir se a geração de conteúdo de fato ajuda o seu RPG — antes de comprometer o projeto com uma integração cara e difícil de desfazer.
Texto preparado com apoio de IA e revisado por Marcos (editor) antes da publicação.
