游戲AI落地為何這么難？對話ThinkingAI：舊方法用不好現在的AI

什么是 AI Agent？

它不同于普通大模型，你問一句它答一句，處于被動響應狀態。AI Agent 是有自主目標、會思考規劃、能調用工具獨立完成復雜任務的系統。

它的核心價值，在于打通業務意圖到落地執行的整條鏈路。你只需明確一個頂層業務目標，AI Agent 就能自動把它拆成具體的執行步驟。它會在干活時動態校驗和自我糾偏，最終直接交付可用的業務成果。

Skill又是什么？

它是 AI Agent 能調用的、具體可執行的小工具。不同的 Skill 承擔不同的執行動作。AI Agent 作為決策中樞，會根據具體的任務場景自主判斷，決定什么時候該用哪個 Skill。

想必大家都聽過這句話：“游戲是AI技術落地的最佳場景之一，也是探索相關技術、深度使用最激進的行業之一?！睂τ谟螒蚬径裕珹I已經不是用不用的問題，而是怎么用。

最近陀螺君參加了不少關于“游戲+ AI”的行業大會。無論是游戲從業者，還是AI應用平臺，都在強調該如何用好AI Agent。

但同時我們也深刻感知到，整個游戲圈對 AI 技術的落地有著巨大的焦慮。每家公司都在拼命想把 AI 用好，不是通用大模型，而是能自己做決策、干活的 AI。

但現實情況是，真正能把這套體系跑通的團隊，少之又少。

基于這個觀察，游戲陀螺這次邀請到了 ThinkingAI聯合創始人兼 CTO 周津。

ThinkingAI聯合創始人兼 CTO 周津

我們從多個角度進行了深度對話，話題覆蓋了游戲 AI 應該如何實際落地、從業者如何成為駕馭 AI 的“超級個體”，乃至當前在管線中推行 AI 可能存在哪些誤區......

內容很干，聊了不少實際應用的細節。希望能給正對 AI 感到迷?；蚪箲]的游戲從業者，提供一些有用的參考。

以下是我們與周津的交流實錄，為方便閱讀，內容有所調整：

AI最大變化：這些工作用Agent能干嗎？

游戲陀螺：游戲行業吸引您扎根，到現在All in AI的契機是什么？

周津：我們2015年成立時，幾個合伙人都是游戲行業出身。我本人是重度游戲愛好者，因為覺得自己沒有做游戲策劃的天賦，所以選擇了比較擅長的數據與AI方向，機緣巧合下將AI和游戲結合了起來。

去年到今年春節前后，大模型、Skill生態以及Agent能力的爆發，讓大家看到Agent領域的變革已經發生。我們順應趨勢，做了產品定位轉型和品牌升級，這件事內部籌劃了很久，春節后才正式對外官宣。

游戲陀螺：全面轉向AI的籌劃，大概是從什么時候開始的？

周津：我們創業的第一個產品就是AI驅動的輿情分析。2022年底ChatGPT引爆后，我們一直關注大模型發展，內部也做了很多AI提效工具，產品里其實一直埋著AI的種子，只是當時沒有激進地全面All in。

直到今年年初，看到Opus模型發布、Skill生態開放以及Agent能力的全面爆發，我們才在這個節點上對之前的積累做了全面升級和轉型。

游戲陀螺：近年來，行業對AI應用的討論從“做原畫”變成了“全鏈路開發”，您個人感受最強烈的變化是什么？

周津：AI生成美術素材早在兩年前的文生圖時代就已落地。這一波Agent帶來的最大變化，不是“能不能做”，而是“誰來用”。以前是人把AI當工具，但春節后能明顯感覺到，大家開始思考：這些工作能否直接由Agent驅動？團隊能否整體基于Agent工作流跑起來？討論的話題已經從“怎么用工具”，變成了“怎么建立一套Agent化、體系化的組織能力”，這是大家當前最關心的問題。

游戲陀螺：目前游戲行業哪個環節對Agent模式的接受度最高、落地最通暢？

周津：目前還是在研發側跑得比較快。首先，利用AIGC生成美術、生成素材，對于現在這個行業已經是標配，大家現在更多是聊效果細節。其次，在寫代碼環境，以前跑一個游戲原型Demo需要很長時間，現在通過AI輔助編程，能非常快速地把代碼跑通、把項目落成。所以在游戲研發范疇內，Agent相對跑得比較順暢。買量側和運營側因為離業務端非常近，需要大量前置數據處理工作，游戲公司也都在探索和嘗試，但想直接產生業務效果，還需要時間迭代。

什么才是成為“超級個體”的核心能力？

游戲陀螺：很多人對“超級個體”有誤解，認為是一個人能干幾個人的活。就你的觀察來看，未來真正的“超級個體”，核心競爭力是“AI的工程化調度能力”還是主觀的“審美與品味”？

周津：品味和審美要分兩個角度：感性的直覺和理性的洞察力。

首先是感性直覺，比如策劃或美術一眼看出素材好壞，的確是核心競爭力。但光有品味不夠，還需要理性化的工程化能力，才能把品味規模化和體系化落地。如果只有品味，能識別好壞，卻無法做工程化落地，那么與Agent交互會非常復雜，出了問題也很難糾正。

現在講究“harness”——駕馭Agent和大模型，這非?？简灩こ袒芰?。兩者必須結合，結合后對人的要求反而更高。有的人品味好、直覺強，但工程化能力和邏輯結構化能力薄弱；有的人工程化能力強，但對業務的直覺相對弱。所以行業在尋找的“超級個體”，是那種既有業務品味、又能結構化落地的復合型人才。

游戲陀螺：游戲行業老兵的經驗是抽象的，Skill如何將過去沉淀的經驗“固化”的？

周津：Skill不是找幾個老兵閉門造車寫說明書出來的。它一定是在服務客戶、處理真實問題時，從實際方案和成長經驗中提煉出來的。比如要讓Agent幫我去跑代碼、調后臺數據、做面板調整，這遠不是輸入一個Prompt那么簡單。你發出指令后，它會調用我們基于這個問題建立起的一整套具有判斷邏輯的工作流能力。這就是把真實經驗拆解、提煉、固化的過程。

游戲陀螺：Skill的打磨具體過程是怎樣的？它和Prompt有什么本質區別？

周津：Prompt和Skill有本質區別，Prompt更多是一次性的指令，跑完拿到結果就結束；Skill則是可復利的資產，越用越值錢，而且可以不斷迭代優化。

把經驗變成Skill的過程不是刻意去創建，而是通過與Agent交互自然產生的。舉個例子，一個老兵解決實際業務問題，通過Prompt和Agent多輪交互，調用了企業內部的數據、資產和知識。跑完后他覺得這個方案有價值、可復用，就可以讓Agent幫忙把這個過程生成一個Skill。它直觀代表了解決某一類問題的思路。所以經驗變成Skill，本質是對問題解決過程的抽象和封裝，是自然產生的結果。

游戲陀螺：對于策劃、美術等崗位，如何讓Agent真正學習到獨特的審美標準？

周津：這就像養小孩，你怎么養育它，它就越來越像你。如果你是一個美術總監，想讓Agent逼近你的審美。

首先，必須把自己的設計思路和提煉過的內容沉淀下來喂給它。

其次，需要一套反饋評分系統。設定目標，當Agent輸出后人工給它打分，告訴它哪些做得好、哪些偏離了標準。因為Agent自己不會覺得犯錯，只有人的“品味介入”才能引導它。持續多輪交互調優，才能不斷逼近獨家審美。如果不愿意花精力干預，你就會覺得AI沒用。

游戲陀螺：如何通過干預Agent接近自己審美標準的？

周津：你不能只告訴它對錯，要讓它知道哪一步偏離了標準、怎么避免再犯，你要告訴Agent什么是紅線，什么是堅決不能觸犯的。

另外，反饋過程的沉淀也非常關鍵。這次犯了錯，下次怎么不再犯？這涉及Memory（記憶），承載過去常出現的問題并管理起來。而執行的標準和步驟，則通過Skill管控。每次解決業務問題，建立標準、校準Agent，再沉淀回Skill和Memory。循環幾輪下來，Agent做決策的方式會越來越像用戶，形成正反饋，也就更容易解決業務問題。

游戲陀螺：“超級個體”驅動多Agent協作的模式，會不會導致未來人與人的產能差距被放大到一種恐怖的程度？

周津：個人感覺會，而且這個差距可能比互聯網時代更明顯。在Agent時代，分水嶺不在于會不會用AI，門檻差距不大。真正的核心在于：作為驅動Agent的個體，能不能把一件事情想清楚。比如目標是什么、要解決什么問題、怎么把想法拆解清楚，這是Agent時代真正稀缺的能力。

很多工作中有大量執行型崗位，這部分崗位恰恰是之前比較缺少思維訓練維度的，所以受到的沖擊會比較大。但另一方面這也縮短了其他差距，以前有想法但需要花大量時間學技術，現在AI能幫忙落地。這是一個很好的時代，也是殘酷的時代。核心在于能否把“想要完成什么”這種偏頂層的結構化思維能力補上來，這是當下的核心競爭力。

多Agent協同應該如何破局？

游戲陀螺：為什么公司把積累的龐大文檔、聊天記錄喂給AI，AI依然聽不懂人話、做不好業務？

周津：智能的本質是對信息做蒸餾和壓縮。文檔不等于知識。一個團隊工作好多年攢下幾萬份文檔、幾十萬條聊天記錄，里面包含結論、討論、廢棄的決策、矛盾的決策。一股腦喂給AI，它會產生比人更嚴重的幻覺。

所以我們需要對每一份信息和文檔做蒸餾和壓縮，提取出真正代表關鍵信息和結論的知識。比如雙方聊了一個小時，能用幾句話概括核心觀點，那才是最核心的知識，而不是把原始會議紀要當作知識沉淀給AI用。因此，當前企業需要思考的是如何構建結構化的、有版本、有優先級和權威性標記的知識庫。

游戲陀螺：如果一個游戲團隊想要讓AI"對話框"變成能獨立執行任務的"業務分身"，這中間需要人工做哪些核心的工作？

周津：Agent需要幾個核心維度的信息。

1、核心事實。到底發生了什么？需要從信息中提煉出真實發生的事實。

2、決策。我們要明確定下來的、不能違反的明確決策。比如公司決定All in AI、發布某款產品、某天完成某個動作。

3、經驗。之前犯過的錯誤，接下來不要再犯。比如聊天中語音識別經常誤判某些詞，這些踩過的坑要沉淀下來。

所以數據壓縮的核心是把這幾個維度定下來：業務經營的事實是什么、今天做了什么決策、之前有哪些錯誤和經驗。把這些層次定義清楚，Agent出現幻覺或決策錯誤的概率就會大大降低。

游戲陀螺：不同職能的Agent協同工作時極易陷入死循環或互相吵架，這種底層“信息不同頻”該怎么破局？

周津：我們內部就經常遇到類似問題?，F在很多企業沒有約束大家只能用哪個Agent，比如我們團隊里有人用Claude Code、Codex，有人用OpenClaw、Hermes等。大家使用的Agent、模型不一致，導致協同時對同一內容的解讀和判斷完全不同。

這需要企業解決幾個方面的問題：第一，建立共享的企業Memory和知識庫?，F在每個人更像本地化管理，同事之間相互隔離，無法共享Memory和業務上下文來對齊，這會產生很多分歧。企業需要統一這套共享體系，可以理解為Agent背后的統一價值觀。

拉齊模型能力。不同模型范式不同，比如Opus寫代碼邏輯推理更強，DeepSeek寫中文內容產出更好。企業內部需要統一模型標準，讓大家在同一個能力模型下對話。

建立Agent間的協同機制?，F在更多是“丟個文檔給AI看”，但文檔已經丟失了解決問題的思路，下一個Agent無法承接。需要一個統一平臺，把解題的過程框架完整交接給下一個Agent。這些也都是包括我們以及很多企業級Agent平臺正在探索的方向。

游戲陀螺：實現多Agent協同，面臨的最大技術難點是什么？

周津：多Agent協同的最大難點，跟跨部門協作的痛點一樣，就是“信息互通與上下文對齊”。如果業務側和支持側的Agent不在同一套“上下文共識”下工作，就會產生偏差。

打不通這個問題，兩個Agent放在一個群里協作，就會陷入邏輯死循環、互相吵架甚至擅自更改目標。所以多Agent協同的核心前提是：必須有極強的、拉通的企業級知識庫和Memory底層基建，作為各方Agent的“唯一事實基準”。這也是目前絕大多數企業應用最缺乏的環節。

游戲陀螺：能否用實際場景拆解一下，怎么讓不同Agent在同一認知標準下高效配合？

周津：舉個例子，一個游戲版本上線前，需要玩法測試、數值適配、QA、運營等多個Agent協同。首先大家需要面對同一個策劃案：這版本要解決什么問題、帶來什么體驗。這不是靠一個文檔完成的，而是需要一個共享讀寫的項目知識庫，包含從思路到落地的完整過程，比如玩家畫像、數值紅線、badcase（不理想結果）等，QA看到這些才知道怎么測試。

其次研發完成后，要把整個解決過程結構化地傳遞給QA，而不僅僅是最終代碼。就像公司調整方向，不能只跟同事說“你去做這個”，得讓他知道所以然。Agent也一樣，需要把思考、背景和過程完整告訴它。

游戲陀螺：想讓Agent在研發管線里穩定地運轉輸出，不同崗位的人除了本職審美之外，在AI層面需要補充哪些底層技能？

周津：確實，在利用AI驅動工作的時代，對于人的核心能力要求發生了變化。具體來說，有三個關鍵內容變得尤為重要。

第一，問題拆解能力。假如你是研發人員，我們不是看你能用 Agent 寫多少代碼，而是看你能不能把自己的目標，以結構化的方式拆解成一個個清晰的問題，再交給 Agent 去執行。這本質上是對問題的定義能力，要把抽象的目標層層分解成可執行的任務。

第二，評測體系構建能力。你需要能判斷 Agent 輸出的結果是好是壞，并形成一套可操作的評測標準。有了這套體系，Agent 才能在不斷嘗試和犯錯中持續自我優化；否則只能靠運氣，結果不可控。

第三，知識沉淀能力。把你拆解問題的方法、評測體系等經驗，沉淀成知識體系，包括記憶（memory）和技能（skill）。這樣 Agent 會越用越聰明、越跑越快，因為你在持續訓練它、積累有用的信息。

游戲陀螺：在實際研發中，比如讓Agent去對接游戲引擎里的核心系統時，應如何構建包含"執行-驗證-回滾"的工程化閉環？

周津：Vibe Coding都有這個痛點。代碼越積越多，怎么避免死代碼，怎么避免修一個問題引出多個新問題。當前不能讓Agent直接修改生產代碼，風險太大。一定要構建隔離環境——沙箱機制。

在沙箱里執行，有自動驗證、Review網關、人工審核，通過后再灰度合入，合入后還要做多Agent協同測試。整個流程在沙箱跑通，最后人工審核放行，才能上生產?，F在生成代碼不是問題，十幾分鐘就能生成大量代碼；真正的難點在于驗證和測試，確保可靠性。把管線構建好，尤其是沙箱體系，才是關鍵。

游戲陀螺：游戲公司在放權給AI時會很擔心AI做出破壞性或者反常理的動作。在實際的游戲跑通管線里，應該怎么給AI劃定這個犯錯的"安全邊界"？

周津：這個安全顧慮必須被接受，因為當前的Agent就是會出現幻覺和結果不準。解決的核心在于：在可控的范圍內允許它犯錯。完全百分之百安全的Agent目前不現實。我們引入沙箱和灰度發布，允許犯錯但把邊界收攏。

"犯錯"意味著獲得了反饋——它為什么做錯？產生了什么負面影響？這些信息極其有價值，是驅動Agent后續進化迭代的數據源。就像教導人類員工，需要不斷設定目標、劃定邊界、給予糾正。我自己跑Agent時，它方向錯了，我讓人工介入反問"你為什么要這么做？依據是什么？"然后反饋正確做法，下次就不會再犯。

有些事情比全面引入AI更難

游戲陀螺：推行Agent時，組織流程阻力和技術實現阻力，哪個更讓團隊頭疼？哪種更難用“工程化”手段解決？

周津：短期看，技術阻力比較明顯，包括模型選型、Agent工作流搭建、知識庫搭建、沙箱環境等。但這些是短期阻力，長期來看組織阻力更大，甚至比技術阻力大指數級別，而且很難用工程手段解決。技術問題再難，總有方案。組織問題往往表現為：大家都說擁抱AI，但"我那塊比較敏感，不能先動"，需要先在別的區域落地。這背后沒有工具能解。

例如，一個積累多年的產品代碼量龐大，用Vibe Coding方式重構風險極大，這時候面臨風險與收益的抉擇，必須由企業一號位拍板。個人做法不是硬推全公司"All in AI"，而是先找一個具體業務場景，組織一個小團隊破冰，跑出完整閉環，證明價值，再用這個案例推動其他體系，這樣比硬推更務實。

游戲陀螺：公司引入Agent體系通常要從小范圍嘗試，目前有沒有全面引入成功的案例？這種團隊的整體狀態是怎樣的？

周津：坦率說，這個事很新，還沒有看到整個工作邏輯跑得非常成熟的團隊。大家還在探索、實踐、試錯的過程中。當然有些團隊跑得相對更好。一個好的標志是：每個人都能找到使用自己Agent的正反饋。如果形成負反饋——用Agent還不如自己干，還得擦屁股打補丁，后續就很難改變。

第一步，企業需要先構建公司的知識庫，否則Agent是割裂的。第二步，把老兵經驗沉淀為內部Skill，讓大家能分享、使用、下載。第三步，每個人有自己的Agent沙箱工作空間，解決自己的業務問題。能做到這些已經算不錯了。下一步要解決的是多Agent協同解決復雜問題，這還在探索中。

游戲陀螺：從目前游戲行業落地落地AI的現狀來看，有沒有哪件事是大家普遍做錯或完全誤解的？

周津：有些人可能認為，AI落地就是買一些模型服務、給全員配一個Claude Code，就能跑起來了，這遠遠不夠。本質上應該是重建一套企業內部的工作范式。配模型、建AI團隊都不難，難的是把整個團隊的工作流程扭轉過來。AI和Agent不是工具，也不是能力，而是一種思維方式，一種解決問題的全新模式。要學會與Agent協同相處，讓整個團隊圍繞Agent打造新的工作模式。

游戲陀螺：這其實也是你對嘗試部署Agent的游戲公司的核心建議？

周津：是的。游戲公司各有自己的核心競爭力，但如果想通過Agent驅動公司提效或游戲生產轉型，應該把更多時間和精力放在團隊工作流的迭代改進，以及每個人對Agent認知思路的對齊上，而不是讓所有人用上Agent工具就能解決問題。

游戲陀螺：把時間拉長到三五年，一個“完全體”的游戲公司Agent，最讓您期待的能力是什么？

周津：長期來看，如果一家游戲公司能夠實現生產出來的游戲是一個不斷自我進化、自我演化的內容生態，那才是幾年以后的完全體游戲。現在大家交付游戲是一個版本一個版本更新，但如果游戲能夠在玩家眼前持續進化，作為玩家，非常期待這個愿景。很多游戲公司已經在往這個方向探索。

游戲陀螺：這樣的場景確實很酷?，F在做AI原生游戲更多是在AI NPC上做文章，希望通過不同AI NPC之間的交互得到不同的答案或行為。

周津：這些都是演進過程中的每一步。這塊確實有很多生產問題要解決，比如有人開玩笑說，如果NPC背后是大模型，是不是可以讓它幫忙寫代碼、幫忙干活？這些邊界問題、人格問題等，大家都在探索。如果要暢想，確實很期待那一天到來。