Uma API de diálogo de NPC para jogos

O que um diálogo de NPC precisa, e o que você recebe

Quanto custam mil conversas

No GLM, as mesmas mil conversas ficam em cerca de US$ 1.34 antes do raciocínio curto, mas esse raciocínio acontece antes de cada fala, e isso custa um tempo que um NPC não pode gastar. Personas curtas são baratas de qualquer jeito; o que soma é uma ficha de lore longa em cada chamada.

Uma fala de diálogo, em streaming

Rode isto no servidor do seu jogo, não no cliente: uma chave embutida no jogo pode ser extraída dele. Mostre cada pedaço conforme ele chega, para que o balão de fala se preencha enquanto o jogador olha.

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://nokeep.ai/v1",
    api_key=os.environ["NOKEEP_API_KEY"],
)

persona = "You are Brannoc, the blacksmith of Hollowmere: gruff, superstitious, owes the thieves guild money. The player has the quest \"Missing ore\" and has not yet found the mine. Speak only as Brannoc, in one to three short sentences. Never mention game mechanics."

stream = client.chat.completions.create(
    model="deepseek-v4.1-flash-uncensored",
    messages=[
        {"role": "system", "content": persona},
        {"role": "user", "content": "Have you seen any ore carts come through town?"},
    ],
    stream=True,
    max_tokens=120,
    temperature=0.8,
)
for chunk in stream:
    if chunk.choices:
        print(chunk.choices[0].delta.content or "", end="", flush=True)

Uma fala que o seu jogo pode usar

Quando a resposta do NPC deve mudar o jogo, peça JSON em vez de texto em streaming: a fala a mostrar, um humor para a animação e uma ação para o seu código. Descreva a estrutura no prompt também.

import json

reply = client.chat.completions.create(
    model="deepseek-v4.1-flash-uncensored",
    max_tokens=200,
    response_format={"type": "json_object"},
    messages=[
        {"role": "system", "content": persona + ' Answer as JSON: {"line": string, "mood": "calm" | "angry" | "afraid", "action": "none" | "give_map" | "attack"}.'},
        {"role": "user", "content": "Tell me where the mine is or I tell the guild you skipped town."},
    ],
)
npc = json.loads(reply.choices[0].message.content)
print(npc["line"], npc["mood"], npc["action"])

Muitos jogadores ao mesmo tempo

• Cada chave aceita 120 requisições por minuto, e uma conta pode ter 10 chaves. Depois de um 429, o cabeçalho Retry-After diz quanto tempo esperar. Limites de taxa.
• Dê a cada ambiente a sua própria chave com um teto diário: um bug que faça um diálogo entrar em loop para no teto, e não no seu saldo. Chaves e limites.
• Mantenha as personas curtas e fixas. Uma persona de cerca de 1.000 tokens ou mais que se repete de chamada para chamada é lida do cache, por uma fração do preço.
• Escreva uma fala de reserva para quando uma chamada falhar, para que um momento de uso alto nunca trave uma cena. Um 503 busy não custa nada.

Qual modelo usar

Use deepseek-v4.1-flash-uncensored para falas faladas: ele responde sem raciocinar antes, aceita parâmetros de amostragem e devolve JSON. O glm-5.3-flash-uncensored é mais barato por token (US$ 0.20 de entrada e US$ 0.65 de saída por milhão, contra US$ 0.45 e US$ 1.75), mas raciocina um pouco antes de cada resposta; por isso serve melhor para trabalhos que o jogador não está esperando, como escrever os boatos da cidade de amanhã. Compare os dois.

O que guardamos das palavras dos jogadores

Uma linha por chamada: a hora, a chave, o modelo, a contagem de tokens, os créditos e o status, guardados por 30 dias. Nunca o que o jogador digitou, nunca a fala do NPC. Nada é acrescentado ao prompt da sua persona. O que guardamos.