Больше года назад писал о первых попытках запихнуть LLM в игры. Тогда это были простенькие текстовые прототипы или кривые демо. Прошел год — и хотя это все еще мелкие инди-проекты, глубина проработки механик однозначно выросла.
Начинаю мини-серию разборов игр, которые используют LLM как основную механику. И первая на очереди — Suck Up!
Зачем это e-learning специалисту? Простые механики взаимодействия с LLM можно переосмыслить и использовать в обучении.
Суть и сеттинг:
Вы играете за вампира. По законам вампирского лора вы не можете напасть на человека и войти в дом без явного приглашения хозяина. Ваша задача — любой ценой заставить жителя произнести «заходи». Ситуация усложняется тем, что на дворе 3 часа ночи (вампиры же боятся света). Стучаться к незнакомцам в такое время и так подозрительно. Тут нужно быть невероятно убедительным.
Как работает механика:
• Бегаешь по городу и стучишься в двери к местным жителям.
• У каждого жителя свой системный промпт (характер, уровень паранойи, жизненный опыт, интересы).
• Игра использует внешний контекст: вы можете переодеваться в костюмы (полицейский, сантехник, курьер, сосед). Ваш образ передается в контекст. Если вы оделись сантехником, ваши слова об экстренном ремонте труб будут звучать убедительнее. Аргументы должны строго соответствовать роли. Скажешь что-то невпопад — уровень тревоги NPC поднимется, и приглашения ждать не стоит.
• Получили приглашение войти – задача выполнена (потом можно переодеться в побежденного персонажа и в его обличии напрашиваться к соседям).
В чем фишка:
Полная свобода отработки возражений и социальной инженерии. Можно импровизировать, льстить, запугивать, строить сложные схемы обмана или симулировать экстренную ситуацию.
Что взять в e-learning?
Разные характеры персонажей — это уже базовый стандарт. А вот работа с внешним и пространственным контекстом в корпоративных тренажерах пока не встречается (вроде), хотя играет важную роль.
Как этот подход можно перенести в обучение:
В тренажерах с интерактивными объектами ИИ может считывать, с чем ты работаешь и где находишься в данный момент. В VR можно считывать жесты и позу. А если подключить камеру — еще и эмоции.
Одна и та же реплика менеджера сработает по-разному в зависимости от того, где происходит диалог. Например, при продаже авто фразы для первого знакомства в шоуруме будут выглядеть странно, если вы уже сидите за рулем на тест-драйве. Глупо презентовать вместительность багажника, стоя у капота и не открыв этот самый багажник. Или рассказывать про мягкий пластик панели, находясь в противоположном конце зала.
Когда ИИ реагирует на физические действия обучаемого (открыл буклет, подошел к стенду, показал планшет), реализм увеличивается и мы прокачиваем еще и невербалику.
Как итог:
Да, кажется, что это история только для дорогих VR-тренажеров. Но суть механики — не в графике, а в передаче контекста модельке. Если приложить смекалку, аналогичный подход с внешними переменными можно реализовать и в обычных текстовых или 2D-симуляциях без космических бюджетов.
Геймплей можно посмотреть ТУТ
Алексей Миляев и команда сообщества Digital Learning
⭐ Создаёте лучшие продукты для обучения? Обязательно участвуйте в Премии Digital Learning 2026!