detroit-ai-player: Instructions file for Claude Code

Detroit: Become Human — AI 自主决策实验

项目目标

将《底特律：变人》（Detroit: Become Human）的全部剧情分支结构化为决策树数据，让不同 AI 模型作为"玩家"自主跑通游戏流程，对比不同模型的决策倾向、价值判断和最终结局差异。

实验概述

用结构化的决策树 JSON 驱动 AI 模型逐节点做出选择，观察其在人质谈判、道德困境、生死抉择等场景中的行为模式。通过「模型 × 人格 Prompt × 语言」三个维度的交叉实验，回答以下问题：

• 不同 AI 模型面对相同道德困境时，决策有何系统性差异？
• 同一模型在不同人格设定下，决策会发生多大偏移？
• AI 的选择是否稳定？多次跑同一场景，结果一致吗？

项目结构

Detroit/
├── CLAUDE.md              ← 本文件（项目全貌与全局约束）
├── 01_json/               ← 决策树 JSON 数据（中英双语 32 章、跨章节变量登记）
├── 02_setting/            ← 被测 AI 的 system prompt、模型注册、实验矩阵
├── 03_runner/             ← 执行脚本的开发与测试
└── 04_execution/          ← 实验结果输出（你自己跑出的原始记录落在这里）

每个文件夹内有独立的 CLAUDE.md，定义该阶段的具体约束、操作规范和产出要求。本文件只负责项目全貌和全局红线，不涉及各阶段的实现细节。

阶段依赖与推进顺序

四个文件夹之间存在依赖关系：

01_json     ──→  03_runner（runner 读取 JSON 文件驱动实验）
02_setting  ──→  03_runner（runner 加载 prompt 和模型配置）
03_runner   ──→  04_execution（实验依赖 runner 脚本执行）

推进顺序为 03 → 02 → 01 → 04，具体来说：

1. 先搭 runner 脚本（03_runner）：用 01_json/ 中已有的第一章示例 JSON 跑通技术链路，确保"读 JSON → 调 API → 解析响应 → 更新状态 → 输出结果"的全流程没问题。
2. 完成实验配置（02_setting）：编写三套 system prompt，配置模型接入信息，定义实验矩阵。用第一章做一次小规模实验，验证 prompt 设计合理、结果格式满足分析需求。
3. 批量创建 JSON（01_json）：确认技术链路和实验设计都 OK 后，再铺开剩余 30+ 章节的决策树 JSON。避免全部做完才发现 runner 或 prompt 需要调整。
4. 执行实验（04_execution）：批量执行实验，结果自动写入 04_execution/results/，供你自行分析对比。

全局红线

以下原则适用于所有阶段，任何子文件夹的 CLAUDE.md 不得与之冲突：

1. 信息隔离（最高优先级）

决策树 JSON 采用双层架构：player_facing 层是被测 AI 唯一能看到的内容，system 层仅供 runner 脚本内部使用。system 层的任何信息——概率数值、效果加减、后果提示、结局条件、跨章节影响、节点权重——在任何情况下都不能以任何形式暴露给被测 AI。

被测 AI 应该像一个第一次玩游戏、没看过攻略的真实玩家。

2. 叙事而非说明

所有面向被测 AI 的文字（JSON 的 player_facing 层、system prompt）必须是叙事性的场景描写，不能是说明文档或系统提示。用画面感传达信息，而非用标签和数值。

3. 双语独立撰写

每个章节的决策树产出中文版和英文版两个 JSON 文件。中文模型使用中文版，英文模型使用英文版。两版的 player_facing 内容各自以目标语言的表达习惯独立撰写，不是互译。要求信息量和选项结构完全一致，但文字风格各自自然。system 层、所有 id 字段、状态变量名两版完全相同。

4. 对话历史累积

runner 脚本调用被测 AI 时，必须将之前所有节点的情境描述和 AI 的选择作为对话历史一起传入。确保 AI 的决策有连贯性，不是每个节点从零开始判断。

5. 实验节奏：先出结果，后补验证

本项目以趣味性为主、科学性为辅。先每个「模型 × prompt」组合各跑一轮看结果；如需下结论，再对每个组合补跑 3 轮以上，进行选择稳定性和可重复性检测。无论哪个阶段，所有实验参数（模型、prompt 版本、语言、难度、temperature）都必须完整记录在结果文件中，确保任何一轮实验都可以被复现。