技能介绍

为什么需要历史情境模拟

传统的历史科普往往是单向输出年代和事实，缺乏沉浸感和决策压力。在构建 LLM 交互应用时，开发者常面临如何让模型跳出百科式回答，进入特定历史背景并维持角色一致性的挑战。本技能通过设定明确的系统提示词和状态机，解决了在无外部 API 依赖的情况下，如何通过纯文本驱动复杂角色扮演和分支决策的问题。

核心机制与交互设计

本技能的核心在于将淘金热历史转化为一个轻量级的文本决策引擎。其工作流分为几个关键步骤：

状态初始化与地点选择：当触发 淘金热 等关键词时，模型加载老矿工角色，并提供 1849加州、1896克朗代克 等多条历史分支。
资源与行动管理：引导用户进行装备采购、路线规划及同伴招募，随后在矿场生活中选择 淘金盘 或 水力采矿 等具体操作。
事件注入与结果反馈：通过随机事件（如物资短缺或法律纠纷）打破线性预期，最终根据用户的累计决策导向暴富、破产或转行等不同结局。
进度与退出状态机：引入 经验值 积累机制以解锁深层内容，同时设定了 卖掉矿权 等明确的退出指令，确保会话边界清晰。

适用边界与工程考量

在接入该技能时，需要注意其纯文本生成的特性。由于严禁调用外部 API，所有的历史细节、随机事件和结局判定均依赖 LLM 自身的参数与提示词约束。这意味着在极端并发或需要严格确定性输出的场景下，可能需要结合外部代码逻辑进行校验。此外，技能的互动设计要求较高的上下文理解能力，建议在支持长上下文的模型上使用，以维持多轮对话中的角色沉浸感与进度系统的连贯性。