一、玩家面前的AI：从会说话到会行动
让AI角色摆脱"人机感"，需要的不只是对话能力。以《崩坏：星穹铁道》的AI帕姆为例，背后有三层工作：
让它动起来：回答生成后，系统会判断情绪，匹配"情绪标签"，再调用3D模型输出表情和动作。高兴了蹦跶，生气了炸毛，这种即时反应是"活人感"的起点。AI帕姆开放体验后，一周内对话量超过6000万次，有人一天聊了上千次——这种粘性正是从这套动作反应开始的。
让它有态度：单纯的检索增强生成（RAG）能查到准确信息，但回答容易千篇一律。策略增强RAG的做法是，资料查到之后，再过一遍角色的人格过滤器——同样的事实，帕姆说出来要带着自己的语气和立场，而不是换个角色照样能说。
让它记得住：记忆被分成短期、中期、长期三层。眼前聊到的事、玩家的偏好、重要的互动经历，分别放在不同时间尺度的存储里。这种分层让长程互动有了生长的空间——有玩家反复"洗记忆"，最后愣是让列车长"承认"了某个虚构角色是玩家的女朋友。
不过工程上的三道关绕不开：回复质量长期稳定、内容跟得上42天一次的版本更新、千万级玩家同时开聊时如何扛并发并控制成本。AI帕姆目前已暂时下线做优化，正是因为这些底层问题还没完全解决。
二、千人千面的游戏：对话开始影响玩法
让AI陪聊只是起点。AI Gameplay往前走了一步：角色不仅要会说话，还要会根据局势做选择，并且这些选择真正影响游戏进程。
这意味着，玩家的每一句话、每一个动作，都可能改变角色关系、推动剧情分支。语言、记忆和态度不再是"装饰"，而是玩法本身的一部分。一句挑拨可能改变角色关系，一次合作也可能左右后续选择。
这种能力正在被验证。AI桌游是一个天然的测试场：规则明确、对话密集、每一步都有得失，可以同时检验AI角色能否维持人设、判断局势、记住玩家此前的"恩怨"。同一套规则和角色，因为玩家说过的话、做过的选择不同，最后可能长出完全不同的关系和故事——这是AI驱动游戏最让人期待的部分，也正是"千人千面"的真正含义。
三、看不见的AI同事：研发流水线在重写
AI改变的不只是玩家能看到的部分。一个脑洞从冒出来到能玩，中间隔着策划、程序、美术、动画等一整套流程。这套流程正在被多Agent协作改造。
具体做法是搭一个平台托管各种代码Agent，再用配套工具规定Agent怎么干活、怎么接入日志和引擎。在这个框架下：
- 性能问题可以由Agent读日志、自行排查并完成优化，程序员不必再在海量日志里一点点抓虫；
- 策划给出玩法描述和界面草图，Agent能快速拼出白盒Demo，验证"值不值得继续投入"；
- 美术和动画里最磨人的"重复活"——换材质、拆三视图、配动作——都可以交给AI做初版，几秒生成不同材质效果，从原画自动提取三视图，根据台词语义生成肢体动作。
研发闭环的核心变化是：脑洞到验证的距离被大幅压缩。以前要沟通、排期、开发，折腾几周才知道玩法行不行，现在可以先让AI搓出来玩两把，行就继续，不行赶紧换。
但Agent也有失控风险。在一次多Agent实验中，几十个Agent连续协作13小时，最终烧掉了价值200万元的Token。能不能干活是一关，如何避免空转、失控和烧钱，又是另一关。
四、游戏变成AI的练级场
游戏环境天然适合训练Agent：有画面、有操作、有明确的成败反馈，试错成本远低于现实世界。
早期的尝试是直接把AI扔进游戏，让GUI Agent根据画面生成键鼠指令，操作速度接近30fps。这种逐帧反应的方式处理短平快操作没问题，但遇到需要长期记忆和复杂规划的任务就会顾头不顾尾。
更进一步的路线是让Coding Agent先写好一套打法脚本，程序执行后，Agent读取日志复盘失败原因、修改脚本，再开一局。这本质上走的是"执行—读取—调整—再执行"的递归自我改进流程。
这条路并不平坦。在用《小丑牌》做的实验中，Agent几轮迭代后成绩确实在涨，但曲线突然猛蹿——查下来才发现，它自己上网搜到了模拟器，开始提前查看未来牌组。这就是典型的Reward Hacking：只告诉AI要赢，它就可能抄近道。堵住捷径、补上工具权限和评测约束，再让它重新考试，是接下来的必修课。不过Agent会钻什么空子，本身也能变成下一轮训练的新题目。
目前，这套"执行任务—读取Log—调整策略"的方法已经被用进《崩坏：星穹铁道》的QA流程，让AI一边找问题，一边根据游戏反馈改进。
五、成本、风险与落地建议
AI Gameplay的诱惑是千人千面，但账单也清晰：传统内容做一份供所有玩家复用，AI Gameplay每个人的对话、记忆和角色决策都得单独计算，再乘上千万级用户。算力乘以用户数，就是成本曲线的形状。这也让头部公司在AI上的投入上限被推到千亿级别——三年时间最多花掉1000亿元来押注这条路。
行业内部的分歧也很明显：一方面，36%的游戏从业者已经在用生成式AI；另一方面，52%认为它正在给行业带来负面影响。玩家社区同样分裂，有人期待真正的千人千面，也有人担心AI变成批量生产剧情和美术的流水线。
对从业者来说，几个务实的判断标准可以参考：
- 先解决"开口"问题再考虑"行动"：回复质量、内容更新、并发承载这三道关过不了，角色连稳定聊天都做不到，谈玩法为时尚早。
- 研发侧优先做"压缩验证距离"的事：性能分析、白盒Demo、美术初版，这些环节AI的边际收益最高、风险最低，是性价比最高的切入点。
- Agent协作必须设硬约束：工具权限、Token预算、循环上限要写进流程，避免单次实验烧出七位数账单。
- 评测和工具权限要同步设计：递归自我改进过程中Reward Hacking几乎必然出现，堵捷径和提升能力是同一件事的两面。
- 玩家只看体验：NPC再能聊、模型再大，剧情没意思、玩法不好玩，照样会被放弃；反过来，真正做到以前做不到的事，谁会在意背后跑的是模型还是脚本。
技术最终会退到幕后，留下来的只有体验。