记忆未来模拟器
基于 LLM + RAG 的多人协作叙事模拟装置——玩家加入同一虚拟社会，集体决策，探索记忆技术的伦理边界。
Demo 视频
项目背景 & 目标用户（Why）
真实存在的伦理真空
随着脑机接口和神经科学的发展，记忆操控技术正逐步从科幻走向现实——在未来，记忆可以被存储、编辑、交易甚至删除。然而，社会对其伦理边界缺乏深入讨论。传统教育方式多为单向传输，难以让公众深度参与思考。
从「讨论」到「亲身经历」
课题导师提出了一个思辨性设计命题（Speculative Design Brief）：能否用交互式的、参与式的方式，让人们不是在「讨论」记忆伦理，而是在亲身经历中感受选择的后果？
多人协作叙事模拟器
打造一个多人协作叙事模拟器——玩家扫码加入同一个虚拟世界，在 5 年的时间跨度里，共同面对记忆技术引发的社会事件，集体做出选择，实时看到选择对社会属性的影响。不是「看」一个故事，而是「活」在一个故事里。
目标用户
| 用户群体 | 特征 | 核心需求 |
|---|---|---|
| 大学生 / 研究生（18-30） | 好奇心强、数字原生代 | 沉浸且互动性强的反思性体验 |
| 桌游爱好者 / 科幻迷（20-40） | 重视逻辑深度和策略性 | 超越纯娱乐的思辨型游戏体验 |
使用场景
互动科技展览、高校课堂教学辅助、线下社交聚会。
产品设计（What）
系统架构
系统由四个核心组件构成一个三端的结构：
前端：玩家手机端 + 大屏展示端 （React）
后端：后端（Django）运行在服务器端
AI 端：LLM + RAG 运行在服务器端核心功能模块
扫码入场 & 等待匹配
- 玩家扫描二维码进入游戏，选择角色头像
- 后端通过 Django 管理 Session 初始化，检测到 3-5 名玩家后自动开始游戏
事件生成 & 集体决策（核心循环）
- 每一轮，AI 模块基于当前世界状态 + RAG 检索的世界观语料，生成一段叙事事件和 4 个选项
- 大屏展示事件背景和社会属性的实时数值变化
- 手机端展示 4 张选项卡片 + 倒计时，玩家讨论后各自做出选择
- 系统统计所有玩家选择，计算对四大社会属性的影响，驱动下一轮叙事
社会属性可视化
- 四大属性：自主控制 / 记忆平等 / 技术管控 / 社会凝聚
- 大屏通过雷达图 + 数值动态变化实时展示，配合生成式音效营造沉浸氛围
人格结果生成（类 MBTI）
- 10 轮结束后，系统根据每位玩家的历史选择倾向，生成个性化人格标签
- 例如：「记忆哨兵」（Memory Sentinel）、「自主创新者」（Autonomous Innovator）等 6 种人格
- 玩家可以分享和讨论彼此的人格结果，进一步激发反思
历史时间线回顾
手机端提供可展开 / 折叠的时间线组件，回顾每一轮的事件、选择和世界状态变化。
结局生成
AI 根据 10 轮的全局数据，生成一段关于这个世界最终走向的叙事总结，在大屏上展示。
迭代过程——从概念验证到展览交付
框架搭建 → 基础功能（第 4-7 周）
目标：验证技术可行性，搭建前后端框架，实现基础交互流程。
- 前端完成 React + Vite 框架搭建和组件库骨架，后端完成 Django API 路由与 PostgreSQL 数据库初始化
- AI 模块完成 API 集成测试，故事库扩展至 10,000 条句子（用于 RAG 检索）
- UI/UX 完成设计风格指南、交互草图和用户旅程地图
- 团队定义了前后端 JSON 数据格式规范，确保各模块可以并行开发
发现核心问题
在基础功能可运行后，组织了 5 名用户的 Think-Aloud 可用性测试。这轮测试暴露了大量问题，成为后续迭代的核心驱动力：
① UI / 交互层面
- 用户倾向于忽视手机端界面，缺乏明确的「该你选择了」的提示
- 游戏进行中的状态提示不清楚，用户容易错过操作窗口
② 叙事内容层面（最严重）
- 背景故事与游戏内事件缺乏连贯性——各轮之间的叙事断裂
- 生成的选项与对应事件不相关——玩家选择后感觉「答非所问」
- 故事内容出现重复和逻辑错误，破坏沉浸感
- 各轮生成的内容长度不一致，体验不稳定
③ 游戏机制层面
- 10 轮太长——用户明确建议减少至 5 轮
- 四大社会属性的影响规则不透明——玩家不确定自己的选择如何影响世界状态
- 整体概念偏抽象，新玩家需要较长时间理解
④ 技术层面
- 移动端偶发加载失败，导致部分用户无法完成选择
核心问题修复 → 完整集成（第 7-9 周）
- 叙事质量提升：优化 LLM 提示词（Prompt Engineering），将「世界生成」和「问题生成」合并为单一 LLM 调用，解决了内容不一致和 JSON 输出格式错误的问题。在 28 核 CPU 上测试，响应时间显著降低
- RAG 检索优化：完善 FAISS 向量数据库的世界观语料库，增强叙事与世界观设定的一致性，减少 LLM 幻觉
- 多人同步完善：实现完整的多人逻辑，大屏与手机端数据实时同步
- UI 打磨：加入动画过渡、音效设计、图标设计，增强沉浸体验
- 交互提示强化：在手机端增加更明确的选择提示，解决用户「不知道该操作」的问题
验证改进效果
组织第 2 轮 Think-Aloud 测试（5 名用户）：
✅ 已解决
- 故事生成和空白选项出错的问题
- 叙事连贯性显著提升，选项与事件的关联性增强
- 移动端交互提示更清晰
⏳ 仍需优化（纳入后续迭代）
- 属性变化的可感知度仍然不够（用户仍反馈「不确定选择的影响」）
- 大屏界面样式仍可继续增强
最终优化 → 展览交付（第 9-11 周）
- LLM 性能最终优化：合并调用模式稳定运行，确保展览现场的响应速度
- 伦理设计完善：参考 CMU《设计伦理 AI 体验检查清单》进行自评，在界面中融入伦理反思引导
- 展览准备：完善电梯演讲脚本，制作演示视频和用户指南，进行最终排练
- 大屏可视化打磨：雷达图动态效果、数值变化动画的最终调整
我的工作（How）
Project Manager
作为 6 人团队的 PM，我负责项目从立项到交付的全流程管理：
- Sprint 规划与进度追踪：使用 Jira 管理 3 个 Sprint 周期，每周六线下例会 + 每日 Slack 异步 Stand-up
- Tutor 沟通主要对接人：作为团队与课程导师之间的核心沟通桥梁
- 关键技术决策推动：评估团队技能后决定从 Sass 切换到 TailwindCSS，提高了开发效率
- 团队协作工具迭代：初期推动 Jira，后调整为 Jira + Slack 双轨制，并在反思中认识到应更快适应团队实际节奏
- 角色分配与协调：根据成员技能矩阵分配前后端和 AI 模块的开发任务
Product & UX Designer
- 需求分析与产品定义：基于课题 Brief，主导产品方向的定义——从「静态教育工具」转向「多人协作叙事模拟器」
- 用户调研：研究现有方案（澳洲 National Science Week、QBI 课程、OECD 神经伦理指南等），发现市场缺乏「让用户亲身做出选择并看到后果」的互动式产品
- 交互流程设计：设计了 Entry → Decision → Feedback → Cycle → Conclusion 的五阶段用户体验流程
- 用户测试主导：组织了 2 轮可用性测试（Think-Aloud Protocol），各 5 名用户参与
Frontend Dev
- 基于 React + Vite + TailwindCSS 构建前端项目
- 负责开场界面、游戏结局界面、宣传视频页面的设计与开发
- 参与雷达图、数值动态变化的前端展示实现
- 项目后期负责全前端的 Debug 和交互体验优化
- 拍摄并剪辑了项目宣传视频
展览与效果
展览数据
项目于 2025 年 10 月在 UQ 校内展览中进行了全天公开展示：
| 指标 | 数据 |
|---|---|
| 展览时长 | 全天（8:30 - 20:30，约 10 小时有效展示时间） |
| 单次体验时长 | 约 20 分钟 / 轮 |
| 每轮参与人数 | 3-5 人 |
| 预估总体验人次 | 80-120 人次 |
展览方式
- 我作为主讲人向来访者介绍项目背景和玩法
- 组员轮换介绍，我同时担任 NPC 角色参与游戏，引导用户完成体验
- 通过实际参与的方式让访客快速上手，降低理解门槛
用户反馈
- 大多数体验者给出正向评价，认为概念新颖、体验「很酷」
- 类 MBTI 人格结果是最受欢迎的设计——用户对自己的人格标签非常感兴趣，主动与其他玩家分享讨论
- 部分用户反馈希望选项对世界属性的影响更加可感知
导师 / 评委评价
Part A provides a clear and structured overview of the product's functions and design, with relatively clear visualisation and evaluation.
The implementation is relatively robust and innovative, connecting multiple systems into a complete, locally runnable AI-driven interactive experience. It effectively delivers the intended Narrative-Driven Interaction and Generative Scenario Engine.
Overall progress is strong; core features are mostly done. Team roles are clear, and members understand each other's work and progress.
As project manager, knows what self and other members are doing.
技术亮点
| 技术点 | 实现方式 | 解决的问题 |
|---|---|---|
| 本地 LLM 叙事生成 | Qwen2.5:14B-Instruct + Ollama 本地部署 | 避免依赖云端 API，保证展览现场的稳定性和隐私合规 |
| RAG 知识检索 | FAISS 向量数据库 + BGE-M3 Embedding + 自建世界观语料库 | 保持叙事一致性，减少 LLM 幻觉，让设计师可通过语料库控制叙事方向 |
| 多人实时同步 | Django 后端 + WebSocket | 支持 3-5 名玩家同时在线决策，实时同步游戏状态 |
| 双端交互 | 大屏（数据可视化 + 叙事）+ 手机端（选择 + 历史回顾） | 创造「共同注视大屏 + 各自手机操作」的社交体验 |
反思与收获
做得好的地方
- 产品概念到落地的完整闭环：从思辨性设计 Brief 到可体验的多人交互产品，3 个月内完成从 0 到 1
- 跨职能协作：作为 PM 同时参与产品设计和前端开发，能在需求、设计、实现之间快速沟通和决策
- 用户测试驱动迭代：2 轮用户测试的反馈直接推动了产品关键改进
可以改进的地方
- 展览表达：展览环节获得 Credit 而非 Distinction，导师反馈指出团队 presentation 时「缺乏对产品目的和功能的清晰上下文」，成员间有时互相打断。这让我认识到产品 demo 的「讲」和「做」同样重要
- PM 工具的推行：初期推动 Jira 使用时遇到阻力，应更早识别团队的实际协作习惯并做出适应性调整
- 选择反馈的可感知度：用户测试中多次反馈「不确定自己的选择造成了什么影响」，这是产品核心体验的薄弱环节