解放生產力。

整理/王丹

在昨天（5月20日）的2026阿里云峰會現場，《崩壞》系列AI NPC & Gameplay技術團隊負責人鄭銀河，就如何運用AI升級游戲工業化管線，進行了分享。

據鄭銀河介紹，米哈游對于「AI融入生產管線」的布局嘗試，起步得相當早，在AI Agent的概念尚未大火時，內部已經開發了多個自研Agent平臺，來匹配不同的應用場景，這次主要分享的是崩壞項目組內應用較多的Agent平臺。

此外，他還以《崩壞：星穹鐵道》中的帕姆幫幫為例，介紹了崩壞項目組在AI NPC方面的經驗積累，并表示未來米哈游會繼續嘗試用AI來提升Gameplay體驗。

以下是經過整理的演講具體內容（如想了解其他阿里云峰會相關，以及會上更多「AI x 游戲」的探討內容，歡迎查閱關于的文章）：

大家好，我是鄭銀河。這次給大家分享的內容是「AI驅動下的游戲工業化管線升級」。

這次分享的內容主要分三部分。我會先介紹一下語言模型和Agent，以及我們內部的一些實踐經驗；第二部分會給大家介紹一下我們在AI NPC和AI Gameplay方向的一些實踐經驗；最后是AIGC部分。

首先來聊聊我們在AI Agent方面的實踐經驗。我們根據自己的實踐，將Agent的發展階段分成 L1、L2、L3。

L1指代的是最初的聊天室產品，如網頁版ChatGPT、Copliot等。它們只能給用戶提供一些簡單的代碼補全，或者簡單的聊天內容，并不能產生明顯的生產提效。

L2這個層級，以Qoder、Cursor為代表的輔助開發工具，為用戶提供了新的工具范式。這個范式下，AI開始真正理解我們工程的全局上下文。用戶不需要再像最開始那樣手工寫代碼，只需要去點Accept（接受）就可以了。用戶的身份，從一個程序員，變成了一個真正的架構師。

所謂L3，則是我們展望未來的一個方向。L3代表Agent協同的「全自動駕駛」模式。你只需要寫明需求，Agent就能像數字員工一樣，把這個需求做出來。目前我們在朝著這個方向去做，這可能也需要全行業的共同努力。

為了在開發中更好利用Agent技術，早在Agent火起來之前，米哈游內部就有做一些相關實踐，目前已開發了多個Agent平臺，來匹配不同的應用場景。

大概去年3-4月，崩壞系列項目組開始在內部開發一個自研的Agent平臺：Echo Agent。它不是一個簡單的聊天工具，而是一個托管Agent的生態平臺。它能做很多復雜的任務，像OpenClaw之類的功能，都可以用Echo Agent來實現。我們不同業務，也有創建各自不同的Agent模板，比如包體冒煙的測試，配置助手，PPT助手等。

基于這套Agent平臺的游戲開發，存在幾個問題。

首先，游戲開發本身是重度依賴Windows底層API的，比如游戲打包的管線，很多只能在Windows環境下執行。但現在的Coding普遍沒有對環境，比如PowerShell或Windows，做很好的支持。

針對這個場景，我們對Windows下的命令行工具，以及我們經常用到的版本控制工具P4，做了很多原生集成的工作。這可以讓我們的Coding Agents在Windows環境下更順滑地運行。

當然，這里面不乏經驗教訓。曾經有同事為了實現項目，建了幾十個agent共同協作，一晚上燒了價值200萬人民幣的Token。但我們接受在探索AI時有成本、有學費，這也幫助更完善我們的Agent平臺。

其次，大家知道，游戲研發是一個多模態行為。但現在的Coding Agent，主要集中在Coding、文本交互這樣的場景，大家對于多模態能力沒有那么重視，現在的模型在多模態能力上還有一些欠缺。所以我們很早就給Echo Agent加入了多模態相關工具和讀取工具。

同時，我們意識到，游戲開發的工具生態也很重要。我們通過MCP，或者命令行的格式，引入了各種各樣的游戲開發工具，每個人都可以像搭積木一樣去搭自己的Agent。

我們還做了一個內部Skill社區。比如某個同學發現Agent不了解游戲里的一些機制，阻礙了他工作，他就可以讓Agent自己寫一個Skill，并一鍵分享給同組，這樣其他人也能理解他對于游戲設計的小巧思了，大家協作更能節省工作量，避免重復踩坑。

此外，我們讓Agent和很多內部工具做了融合。比如讓Agent接入我們的引擎，打通我們的內部聊天工具，接入公司的安全基建。

下面這個例子，就是我們試圖用AI Agent去做游戲引擎崩潰的分析。

大家知道，崩潰分析非常依賴個人經驗，或者說依賴于分析者對整個項目的理解情況。Crash Dump只是崩潰的第一現場，真正的原因一般非常復雜，所以去查崩潰原因是件非常繁瑣的事情。

但我們發現，隨著模型能力提升，模型在分析代碼bug方面有了很強的能力。本質上你只需要給它提供一個足夠健壯的執行循環，并且把足夠多的工具給它，它就能分析出來結果。

經過我們實踐發現，只要執行循環和工具做得足夠健壯，Agent就能極大釋放大家的生產力。Agent能幫一些資深引擎同學找到具體錯誤，還能幫策劃同學做一些白盒測試——這些測試不需要占開發人力，只需要把相應工具給Agent搭建好，策劃同學就可以push Agent去做相關的工作。

我們內部已經通過Agent做了不少白盒測試，有賽車游戲、2D搜打撤等。由策劃自己去驗證自己的想法，他們的驗證鏈路就縮短了很多。

接下來，我介紹一下我們在AI NPC方向的實踐經驗。

在《崩壞：星穹鐵道》4.2版本里，我們上線了帕姆幫幫，內部將其稱作AI帕姆。它重點探索了三個核心場景：

第一是角色養成。它能為玩家推薦配隊、遺器方案；能結合社區的PUGC內容，對玩家角色養成過程中的一些問題進行答疑；能追蹤玩家的刷取進度，并在合適的時候主動提醒玩家。

第二是劇情答疑。《崩壞：星穹鐵道》運營到現在，背后已經形成了一個非常龐大的世界觀，可能有一些棄坑玩家想要回來，卻發現看不懂劇情了。這種情況下，玩家可以直接問AI帕姆關于劇情概述、人物關系、世界觀背景等問題，AI帕姆都能回答。

第三是情緒互動。AI帕姆是允許自由輸入的，而一旦你把自由輸入框扔給用戶，你就沒有辦法約束用戶到底能輸入哪些東西。我們發現，大部分用戶其實會把自己的情緒傾泄出來，會像和老朋友聊天一樣，去和AI帕姆聊天。

接下來聊聊，我們做AI帕姆背后的幾個核心思考。

第一個思考在于，我們會嘗試通過AI帕姆，讓系統更主動地去理解玩家，而不是讓玩家去費力地理解系統。因為本質上講，應該是玩家在玩這個游戲，而不是被這個游戲玩。

《崩壞：星穹鐵道》立項時，原本的目標也是輕度游戲體驗，但隨著游戲內容更新和游戲復雜度提升，玩家的認知負擔會越來越重，這和輕度游戲體驗的目標是存在沖突的。

AI帕姆一定程度上可以緩解這個問題。它可以主動推薦，所以用戶不需要深入理解所有系統的每個細節；它可以降低新玩家、回流玩家的上手門檻；它可以按需為用戶提供精準內容，玩家不需要自己去翻攻略，或者去啃設定。

一句話總結：不是讓用戶適應越來越復雜的系統，而是讓系統反過來去服務每個用戶。

我們的第二個思考在于，讓游戲里的角色真正「活」起來。

傳統對話、游戲劇情，本質上是游戲單方面、一次性的內容輸出，我們很難圍繞劇情做更多演繹，也很難讓玩家和相關角色做更多互動。但《崩壞：星穹鐵道》本質上是想展現一個個鮮活的角色。AI NPC相關技術，可以很好地幫我們解決這個問題，還可以給角色注入靈魂。

而做AI NPC，最重要的一點是，不能讓用戶覺得這個角色人機感重。所以我們首先要解決的一個問題，是讓AI帕姆活起來。

我們嘗試做的第一個事情，是在表現層加更多動作。在聊天框左邊，玩家可以真正看到帕姆，并且帕姆在這個聊天框里能動起來，它會根據玩家聊天內容做相應的動作，這樣用戶看到的就不是一個干巴巴的聊天窗口了。

第二件事，是在邏輯層面讓AI帕姆有活人感。前面有提到，《崩壞：星穹鐵道》背后有一套龐雜的世界觀設定，我們需要讓AI帕姆適應對應設定，實現一套RAG系統。

傳統的RAG系統是非常人機，或者說性能很差的，因為大部分模型做RAG，本質上就是復述檢索出的文檔內容，你很難讓NPC看起來像你的伙伴。

我們的解決策略是，額外交叉比對帕姆與該事件/人物的「關系網絡」、「過往印象」與「主觀態度」，將上述因素轉化為特定情緒，對客觀信息進行“情緒染色”與二次重構。這也是IP老師寫帕姆對話的方式。

第三件事，是給AI帕姆加上更多記憶，這可能是所有AI NPC相關應用里最重要的方向了。人與人之間交流，我們肯定不會期望說和一個根本沒有記憶的人去做深入交流。

我們設計了三重記憶機制，即短期記憶、中期記憶、長期記憶。

短期記憶指的是玩家對話上下文的對話歷史；中期記憶是在玩家與AI帕姆聊得比較多了后，帕姆會嘗試總結壓縮之前的對話歷史；長期記憶，則是我們嘗試給每位用戶設計建議獨立的專屬檔案，持續記錄玩家的行為偏好、感興趣的話題、過往的互動經歷，這樣帕姆下次聊天就可以把玩家之前提到的內容給echo（回響）出來。

AI帕姆的中期、長期記憶，用的是千問Plus模型，這個模型是比較好用的，但實現起來也存在一些難度——《崩壞：星穹鐵道》本身玩家活躍量級達千萬級，在這么大的一個基數上，AI模型要面對千萬級高并發的挑戰。

為應對這個挑戰，我們做了三方面的優化工作。

第一，我們構建了一個異構推理集群。本質上講，我們找到了市面上能找到的所有GPU機器，去推理我們所訓的模型。這里提到的GPU機器，包括我們阿里云上的GPU機器，也包括我們自建機房里的GPU機器。

第二，我們試圖在模型層面壓低AI帕姆的推理成本。我們最終的主模型，用了一個稀疏的MoE架構模型，并且在做模型訓練的時候，我們還做了思維蒸餾——帕姆如果每次都先寫長篇草稿再回答，玩家等它打字都要睡著了，所以我們讓大模型當「老教授」，把思考能力直接教給帕姆，帕姆開口就是答案。

第三，在推理過程中，一些常規的推理操作肯定要上，比如說FP8推理、NVFP4推理。

接下來再聊一個關鍵問題：怎么讓AI帕姆適應《崩壞：星穹鐵道》后續內容更新？

《崩壞：星穹鐵道》是一款長線運營游戲，每個版本都有大量新內容。如果每次更新，我們都要去重新訓練模型的話，那背后的時間和成本都是不可接受的。

所以我們的核心架構原則，是讓模型和知識庫分離——模型是模型，知識庫是知識庫。這樣我們只需要更新知識庫就可以。

不過在更新知識庫時，也有一些難度。畢竟《崩壞：星穹鐵道》的世界觀非常龐雜，在更新知識庫時，我們會有一些提前的預處理，來盡量減少人工工作量。

和UGC內容不同，AI帕姆背后的知識庫，本質裝的是PUGC內容。我們需要為AI帕姆的知識庫負責：它錯了，是官方的錯，不是玩家的錯。所以我們做了一些技術優化，用AI Agent離線地把知識庫內容，自動拆解成一個個細碎的、容易理解的問答，存進知識庫里。同時我們還做了Doc2Query——反過來，從知識文檔自動生成可能查詢的問題，用來提升檢索的召回率。

未來，基于我們在AI帕姆方面的經驗積累，我們還會研究如何把這套能力更好適用到其他AI相關的Gameplay中。

其中一個想法——不一定真能做出來——是把AI放在類似《Among Us》這樣的狼人殺游戲場景中。說白了就是融合聊天模型所帶來的自由度、更多Gameplay相關規則。而且你可以嘗試用語言模型去影響Gameplay里的數值、機制，從而給用戶帶來更多的游戲體驗。

最后介紹一下我們在AIGC方面的實踐。

自2023年初，我們就開始探索AIGC在相關項目中的生產應用，也借此積累出了一套相對完善的方法論。最終的產物，就是這個開箱即用的AIGC工作臺，叫作AJI，有點惡搞AGI的意思，我們內部把它稱為阿基。它有各種各樣的版本，下圖示例是網頁版本。

我們做這套平臺，背后的核心動機有兩點。

一是可用性。現在市面上AI相關產品已經做得很強了，但你真讓產品美術、場景美術、動作設計師自己去搭環境，去把模型用起來，還是很難的，所以我們做了這套平臺，這樣非技術側同學也能很快上手，去產出相關資產。

二是業務需求。外部模型有時并不能完全滿足我們對游戲制作的需求，包括對精度、風格一致性的要求。所以在AJI平臺里，我們不只是接入外部模型，也會針對業務場景去訓練自有模型。

比如我們會讓模型去適應《崩壞：星穹鐵道》特定的風格紋理，這樣模型訓好后，團隊同學就可以用AI嘗試自動生成相關物體紋理，或者一鍵切換紋理。

AI還有很多可以解放生產力的用途。

我們用AI可以直接從場景原畫中提取物體的三視圖。

玩過RPG游戲的同學應該有體會，游戲里的NPC跟你說話時，基本就是站樁，加上幾個固定的動作來回切換。而在AI幫助下，我們可以做更多voice to motion的模型，這樣NPC就能根據對話內容自動做出相關動作。

限于時間，今天的分享其實只涵蓋了我們已經完成的、正在進行中的部分案例。我們期待與更多人才一同，拓展創意邊界、解放生產力，為玩家提供原本限于技術、時間所不能提供的更好體驗。

游戲葡萄招聘內容編輯，

（星標可第一時間收到推送和完整封面）