Three.js 3D 塔防（tower-defense）

Wolfcha 把线下狼人杀里最难凑齐的那一部分——「一整桌彼此不同的人」——交给 AI 来完成。玩家只需要占住一个座位，其余 8 到 12 个席位全部由 LLM 智能体补位，因此不用约人、不用等时间，随时可以开一局完整的社交推理。玩家在开局前自选身份，可选范围包括村民、狼人、白狼王、预言家、女巫、猎人、守卫和白痴，然后进入一场由 AI 共同参与的发言、怀疑、辩白与投票循环。

一局游戏的节奏被拆成几个清晰的阶段：夜晚降临时，狼人挑选目标，拥有特殊能力的角色依据私密信息行动；天亮后桌面开始说话，每个存活玩家都要给出解释、抛出怀疑、误导他人或者推进自己的判断；随后全体投票，把一桌对话压缩成一个决定；新的死亡与公开信息再重塑下一轮的局势。由于对话是实时生成而非预写脚本，完全相同的开局配置也可能长出一张截然不同的桌子。

AI 的设计被 README 概括为三点。第一是「角色优先」：每个 AI 在隐藏的游戏身份之上，还叠加了一层稳定的人格，因此同是狼人，不同人格的表现方式并不一样。第二是「桌面感知记忆」：这些智能体会跟随发言内容、投票记录、出局情况和不断变化的怀疑对象来更新自己的判断，而不是只对最近一句话做反应。第三是「有意图的决策」：它们会依据所在阵营的目标去指控、辩护、诈唬、跟票或者按兵不动，让推理过程具有对抗性而不是随机噪声。

核心特性

在氛围呈现上，项目刻意往复古方向走：昼夜切换时有眨眼式转场，角色说话时带口型同步动画，夜间行动配有专门的角色立绘，另外还提供可选的 AI 语音播放与观战模式，方便玩家像旁观者一样看一桌 AI 互相博弈。技术栈方面，这是一个典型的现代 Web 应用组合——Next.js 16、TypeScript、Tailwind CSS 4、Jotai 状态管理、Radix UI、Framer Motion 动画以及 Tiptap 富文本，整体不依赖 Unity、Godot 之类的游戏引擎，游戏逻辑直接构建在 Web 前端与模型调用之上。

试玩与本地运行的门槛都不高。README 给出了在线入口 wolf-cha.com，也给了完整的本地流程：克隆仓库后依次执行 pnpm install、复制 .env.example 为 .env.local、再 pnpm dev，然后在浏览器打开 localhost:3000 即可；需要接入的模型服务商在 .env.local 中配置，具体可用的环境变量以仓库里的 .env.example 为准。项目以 MIT 许可证开源。

Wolfcha 诞生于 Watcha × ModelScope Global Hackathon，名字由 Wolf 与「猹」组合而成，一半是狼人，一半是围观一桌 AI 人格碰撞的看客。README 列出的赞助与支持方包括负责核心游戏流程、角色扮演与总结的 TokenDance，提供 AI 能力支持的 DashScope（阿里云百炼），以及提供 AI 能力与展示平台支持的 Watcha。

技术要点

路线图上还规划了更好的移动端体验、赛后复盘与自由聊天、更丰富的记忆与诈唬行为、时光倒流和 AI 洞察之类的特殊机制、与朋友加 AI 混合的多人模式，以及针对出彩 AI 人格的社区评分。对读者来说，这个项目适合研究多智能体如何在信息不对称下做决策、如何用记忆与人格约束 LLM 的输出稳定性，以及如何把聊天式模型包装成有回合结构的完整游戏；同时也要注意，它的实际对局质量高度依赖所接入模型的能力，且实时生成的对话需要稳定的网络与 API 额度，国内可用性需按实际配置核验。