AI 角色直播 Runtime

AI 的慣性盲點

早期憑感覺的 Vibe coding：把角色的無狀態人格資料（persona）與有狀態的運行時對話（runtime session）全部混在同一個 Node.js 進程的內聯記憶體。直播跑到一個多小時、併發量上來，上下文堆疊導致記憶體溢出，角色在直播現場當場失憶僵死。

我建立的治理機制

徹底告別 Vibe coding，把身份認同、寫作風格、記憶層徹底分離——無狀態人格與有狀態運行時解耦，並建立可觀測的運行時除錯路徑。

協作解鎖的價值

空有外殼的雛形在生產環境一觸即潰的教訓，逼出了我現在的架構思維；這次失敗才是我後來能設計整套 runtime 與工作流的真正起點。

AI 的慣性盲點

原本以為生成可照念的腳本就像寫稿一樣簡單，但 AI 生成的直播議程 AI 感太重、太制式化、不夠有角色口吻、不夠彈性——它產出的是「平均正確」但沒有靈魂的內容。

我建立的治理機制

除了跟第一線操作者反覆對談收斂想法，重新設計整條生成流程：讓議程完全從角色出發——找直播主題、生議程、念腳本、看留言、看情況跳脫腳本即興發揮，每一步都綁角色 persona。

協作解鎖的價值

把「能生成」升級成「像這個角色會做的直播」；現在的流程產出的是有人性、有角色一致性的演出，而不是通用 AI 腳本。

AI 的慣性盲點

AI 預設傾向有求必應、什麼都答得出來，但這會稀釋角色人設——一個什麼都能做、什麼都懂的角色，反而不像一個真實的人。

我建立的治理機制

從零為每個角色建立極致完善的設定：價值觀、偏好、行為規範，明確劃出這個角色「不做什麼」的邊界，把人類體感的「AI 感」提取出來針對性壓制。

協作解鎖的價值

這是很少人注意到的治理維度——讓角色因為「有所不為」而更可信，而不是因為「無所不能」而露餡。