从 LLM 驱动的集换式卡牌生成到程序相关性： Pok\'emon 案例研究

自集换式卡牌游戏（TCG）诞生以来，这一类型已成长为产值数十亿美元、吸引全球数百万实体与数字玩家的产业。流行的TCG依靠定期更新、平衡性调整和轮换限制来维持玩家参与。然而随着对局环境（metagame）趋于稳定，可预测的策略占据主导，可用卡牌选择减少，常导致重复、受损的玩家体验。本文研究利用大语言模型与图像扩散模型进行TCG卡牌的程序化内容生成，通过提供个性化的无限卡牌设计来应对上述挑战。现代生成式AI不仅能支撑大规模内容创作，甚至可以引入程序化关联性（procedural relatedness），培育玩家与其卡牌之间的独特联结。我们提出一条结合以玩家为中心的共创、微调嵌入、本地LLM与扩散模型的流水线，以生成动态、个性化的卡牌，同时有望拓展创意空间。我们通过一项49名参与者、生成196个宝可梦（Pokémon）卡牌样本的用户研究评估了该流水线。参与者对视觉与机制的美观度和代表性进行评分，并提供了定性反馈。结果显示满意度很高，并表明大多数参与者通过调整提示成功实现了自己的想法。这些发现为未来的内容生成系统以及经由程序化关联性替代传统对局环境演化的路径奠定了基础。