《AI Agent 游戏产品开发·玩法、实时与玩家信任》序:为什么游戏需要另一种 Agent 产品观

游戏里的 Agent 不是通用 Agent 加一个游戏皮肤:它要在 800 毫秒内做出决定,不能做玩家做不到的事,还要在玩家发现自己被欺骗之前解释清楚。本序用一个 IP 两款产品的分歧说明这本书为什么存在、它拒绝写什么、单卷 45 篇如何从玩法约束一路排到组织与收口。

同一个问题,两种回答

拾光工作室的《潮汐消消》上线了赛后点评:玩家打完一局,陪伴 Agent 用两三句话点评这一步为什么失误、下一步可以怎么走。功能不复杂,效果却很好,关卡重试率上升,差评里开始出现「它说得挺对」。

三个月后,《潮汐方舟》的团队提出要做 AI 对手。理由很直接:既然消消能做,方舟为什么不能?

半年后,方舟的 AI 对手上线了,问题也来了。玩家发现对手在残局阶段总能准确判断自己的手牌;论坛开始出现「AI 偷看」的帖子;一次模型升级让对手的出牌风格突变,付费玩家在赛季末集体投诉;还有玩家截图证明,同一个局面下 AI 的决策与上一场完全不同,怀疑「难度是随机调的」。

两个功能都叫 Agent,但它们是两种产品:一个在赛后说话,玩家可以不听;一个在战斗里做决定,玩家必须承受。

这本书就是从这条分界线开始的。

游戏 Agent 的三点差异

通用 Agent 的方法论已经相当成熟:任务定义、工具调用、记忆、评测、上线治理。这些结论在游戏里都成立,但不够。游戏额外加了三条约束:

第一,实时。 方舟的 Agent 必须在 800 毫秒内完成一次思考,超过就降级为脚本策略。这不是性能优化,是玩法约束:玩家在等对手出牌,超过一秒的停顿会被感知为卡顿,而不是「AI 在思考」。通用 Agent 可以想三秒再回答,游戏里的 Agent 不行。

第二,公平。 AI 对手不能做玩家做不到的事。它不能用玩家看不到的信息,不能有玩家没有的冷却,不能在关键时刻获得额外资源。通用 Agent 的目标是「把任务完成得更好」;游戏 Agent 的目标是「在同样的规则下完成」,做得太好反而是一种失败。

第三,玩家信任。 消消的陪伴 Agent 说错一句话,玩家关掉面板;方舟的剧情 NPC 说错一句话,玩家截图发论坛。玩家对 Agent 的容忍度与它掌握的权力成反比:它替你做的决定越多,你越要求它可解释、可回滚、可追责。

这三点差异,决定了游戏 Agent 不能直接套用通用 Agent 的产品方法。书里每一章都在回答同一个问题:在实时、公平、信任三条约束下,这个决定该怎么做。

这本书拒绝写什么

写 AI 题材最容易滑向两种失败:一种是把模型能力当成产品能力,另一种是把点子当成方法。为了避免这两种失败,本书有几条明确的禁区:

  • 不写模型接入与平台治理。 路由、编排、成本控制、多模型调度,属于《互联网产品的 AI 架构》的范围。本书只写这些能力在游戏约束下产生的产品取舍。
  • 不写通用 Agent 的组织改造。 任务定义、交互信任、规模化,属于《AI Agent 产品开发》三卷。本书只写游戏侧多出来的那一层。
  • 不写引擎与服务端实现。 渲染、资源、同步算法、战斗拓扑,分别属于《移动游戏产品的架构》与《游戏服务端架构》。本书只写 Agent 在产品层的位置。
  • 不写品类数值。 三消的难度曲线、卡牌的战力公式,是游戏设计的领域;本书关心的是「Agent 介入之后,这些设计决策变了什么」。
  • 不把案例数字写成实测。 延迟、成本、调用量全部是教学设定值,用于演练口径,不是线上数据。需要真机或线上环境才能得出的结论,书里会明确标注。

判断底线只有一条:删掉「游戏」二字仍然成立的结论,本书不写。

两组相反的约束

本书沿用拾光工作室的两款产品作为案例。它们不是「大厂与小厂」的对比,而是同一套中台、同一批人面对两种约束:

维度《潮汐消消》《潮汐方舟》
品类三消 + 家园装饰(休闲)卡牌策略 RPG(中重度)
DAU80 万25 万
单局/单场90 秒8–12 分钟
Agent 形态陪伴型:赛后点评、关卡提示、活动向导实时型:AI 对手、剧情 NPC、战术建议
单次思考预算2,000ms800ms
每玩家日均调用0.3 次5.4 次
主要收入广告 55% + 内购 45%内购 90% + 广告 10%
失败后果体验变差,可静默降级公平性质疑,必须可解释

它们共享账号、支付、活动与发行中台,却在 Agent 的形态、预算、成本与风险上完全相反。同一个决策,在两款产品上会得出不同答案——这正是本书坚持双案例的原因:不是为了说明「两种做法都行」,而是为了让你看见约束如何改变结论。

单卷的位置

本书是单卷,45 篇:序、前言、目录 3 篇,13 章 39 节,附录 A/B/C 3 篇。

章主题回答的问题
1另一种 Agent 产品观游戏 Agent 与通用 Agent 差在哪
2玩法约束下的任务定义能替玩家做多少决定
3实时性一次思考的预算是多少,超了怎么办
4确定性与公平AI 对手怎样才算不作弊
5记忆与关系记住什么、忘掉什么、玩家能否删除
6内容生成与审核什么可说、可做、可展示
7经济与付费成本怎么算,卖什么不破坏公平
8群体与涌现多 Agent 的规则与刹车
9研发流程策划、美术、QA 怎样用 Agent
10运营与 LiveOps活动、客服、事故怎么接管
11度量与实验体验、成本、灰度怎么量
12组织与平台谁拥有、怎么评测、自建还是买
13收口现在到哪一级,下一步做什么

章节顺序不是知识点罗列,而是一条判断链:先看清差异(第 1 章),再定义任务与边界(第 2 章),然后处理实时、公平、记忆、内容(第 3–6 章),接着算账与看群体(第 7–8 章),再进入流程、运营、度量与组织(第 9–12 章),最后收口成两张表(第 13 章)。

每一节都回答「判据、验收、失败后果」三件事。只有结论没有判据的段落,在本书里属于写作缺陷。

关于代码

本书附带可运行的实验工程 aga-lab:TypeScript,Node 26 原生类型剥离,零第三方依赖,用 node --test 跑测试。正文中每一段带 // file: 头的代码块,都能在实验工程里逐字节找到对应文件。

它能真实运行:任务规格校验、能力边界判定、延迟预算拆解、降级路径、种子回放、公平性检查、记忆范围、关系状态、审核分档、成本模型、实验样本、成熟度分级、路线图依赖与评审门禁。

它只能建模:真实模型调用、线上延迟分布、玩家行为分布、内容审核模型。凡属于后者的段落,正文会写明「这里是模型,不是线上实测」。

写给谁

这本书假设你满足三个前提中的至少两个:

  • 正在或即将为游戏产品接入 Agent,需要判断「该做什么、做到什么程度」;
  • 能读懂接口、状态机与指标口径,愿意把产品判断写成可执行规则;
  • 已经读过通用 Agent 的方法论,但发现它在游戏的实时、公平与信任约束下不够用。

如果你只想要「AI NPC 的 20 个点子」,这本书会让你失望;如果你正卡在「AI 对手算不算作弊」「陪伴 Agent 值不值得做」「多 Agent 社会什么时候该刹车」这类没有标准答案的问题上,这本书的结构应该能直接用。

一个提醒

本书给出的每个判断都带前提:DAU、单局时长、延迟预算、收入结构、玩家容忍度。前提变了,结论就要重算。

书里的判断可以抄,前提不能抄。先确认你的产品站在哪组约束里,再决定采用哪条边界。

继续阅读

探索更多技术文章

浏览归档,发现更多关于系统设计、工具链和工程实践的内容。

全部文章 返回首页

「books」更多文章

  1. 《大规模分布式计算深入解析》15.3 落地:从 Neo4j 到自研图引擎
  2. 《大规模分布式计算深入解析·图计算与图数据库内核》 · 目录与学习路径(45 篇)
  3. 《大规模分布式计算深入解析》15.2 十一卷主线:从切分到图