前言
现在一提”AI 驱动游戏玩法”，外面有两种典型想象。一种是”把大模型塞进 NPC，让它自己跟玩家聊，越自治越牛”；另一种是”AI 队友全自动打，解放双手”。这两种想象，行业里已经不少团队真去试过、然后踩了坑。
我翻过一批这方面的研究和已经上线的案例——Generative Agents、Voyager、CICERO、SIMA，到 NVIDIA ACE、和平精英的”小田”这种跑在玩家面前的产品。结论和上面两种想象都相反：最有效的系统，恰恰是把”让 AI 自由发挥”这件事收窄到最小。这篇文章不教你搭整套框架，先把那条不能碰的红线说清楚。
这篇文章写给想搞清楚”AI 玩法到底怎么落地”的开发者：不要求你懂大模型原理，但假设你至少知道 NPC、游戏状态这些基本概念。它偏架构和取舍，不手把手教你一行行搭。
一条不能碰的红线：Agent 不能定义现实
先说最硬的一条。游戏里谁掌握”真实状态”——角色在哪、背包有什么、血量多少、任务到第几阶段——这件事必须永远在游戏引擎或服务器手里。LLM Agent 只能做两件事：读一份状态快照，提交一个”候选动作”，然后等验证器决定执不执行。
为什么这么死板？因为模型本身不稳。公开研究里反复提到，当前模型在复杂、动态、长时程任务上仍然脆弱，而且特别容易被诱导（业内叫 prompt injection，提示词注入）。如果让 Agent 直接改世界状态，一次被绕过的指令就可能把经济系统搞崩、把战斗结算改掉。
一个最直观的例子：AI 队友如果读了”玩家看不见的隐藏信息”，它就成了天然外挂——不是它坏，是它知道的太多了。所以那条红线换个说法就是：Agent 可以思考、可以建议，但不能直接定义现实。这条几乎决定了系统能不能上线。
那 Agent 该干什么：四类角色，标准各不同
红线之内，LLM Agent 适合四种角色，而且每一类”成功”的定义不一样：
- 世界内 NPC：玩家感知到的”活人感”，看的是台词自然度、人格一致、对你和环境的记忆。
- 玩家代理（AI 队友 / 教练 / 代打）：关键不是”它强不强”，是”它懂不懂你意图、协不协作”。
- 剧情导演 / Game Master：负责事件编排、支线调度、讲述风格，但别碰底层权威状态。
- 测试代理：进研发流水线最早——难度估计、异常发现、对话回归，因为它最容易被量化、回放、比较。
前两类最接近量产，后两类一个适合高自由度 RPG 的”半结构化主持层”，一个会先于”完全自主玩家”进入生产管线。
为什么不能”一个大模型全包”：混合式
有人会想：既然 Agent 这么能聊，低层控制也交给它不行吗？不行——至少在可预见的将来，不该把低层控制交给它。
LLM 擅长的是高层目标理解、对话、社交推理、叙事解释。但低延迟控制、空间推理、长时程执行，恰恰是它的短板——近两年的 lmgame-Bench、BALROG 都一致指出这点。所以真正落地的做法是混合式：LLM/SLM 管高层（意图、对话、编排），底层的移动、战斗、技能释放交给行为树、GOAP 或强化学习（RL）这类传统方案——行为树和 GOAP 是按预设逻辑做决策的成熟框架，RL 靠奖励训练，它们都不需要大模型，胜在稳定、可控、能逐帧跑，而这恰恰是 LLM 不擅长的。DeepMind 的 SIMA、NVIDIA 的 ACE 走的就是这个方向。
一句话：让 LLM 选”技能动作”和”导演动作”，原子动作（移动、转向、拾取）交给行为树和导航系统。别让 LLM 进逐帧控制回路——这是动作游戏和移动端的第一原则。
一个回合长什么样：白名单动作
光说原则空。看一个具体回合，这是研究里推荐的接口形态（我简化了）：
玩家说”你能带我去铁匠铺吗？”——游戏发给 Agent 的不是”整段对话历史”，而是一份结构化请求：
world_snapshot：当前位置、时间、任务阶段、附近实体、和玩家的关系值；allowed_tools：这次允许调用的动作白名单，比如speak / move_to / quest_hint；latency_budget_ms：这次响应最多花多少毫秒。
Agent 返回的不是自由文本，而是一句台词 + 一组白名单动作（比如 move_to(blacksmith_shop)）+ 几个”原因标签”。然后动作验证器检查这些动作确实在白名单里、不破坏规则，才真正交给引擎执行。
注意这个闭环：模型输出被锁死在白名单函数里，想干坏事也没接口；延迟有预算逼着它别啰嗦；关系值从快照里来，不是模型自己编。这套约束才是”AI 驱动玩法”能上线的真正工程核心，比模型多大重要得多。
Agent 要长期像样，还得记住东西——但记忆怎么存，也有讲究，不是把整段历史灌进上下文就行。
状态别全塞进 Prompt
Agent 要”记住”东西，但最佳实践不是把整段历史灌进上下文。研究把状态拆成四层：权威状态（引擎管）、叙事状态（关系值、秘密、情绪，Agent 真正要连贯的部分）、会话状态（本轮对话，严格设过期时间，别无限涨）、事件日志（回放和审计用）。
记忆也分四种：工作记忆放上下文窗口、情节记忆存”玩家上次拒绝帮我”这种结构化摘要、语义记忆存世界观和任务线、程序性记忆存可复用技能（Voyager 是斯坦福一个让 AI 在 Minecraft 里自己攒可复用技能的研究，就是这思路）。
一个现实做法：在线写记忆，离线学策略。生产环境允许 Agent 写结构化记忆，但模型微调、RAG（检索增强生成，让模型先查资料再答而不是全靠背）、反思摘要压缩（把长对话压成简短要点）放离线、人工审核再上线——这是防”人格漂移”和”记忆被污染”的土办法，不好看但稳。
几个边界要注意
- 别给 Agent 未审计的经济、交易、战斗结算、反作弊权限。白名单 + 动作验证器 + 服务端二次检查，三层兜着。
- 别在生产环境做无监督在线学习。长期学习要，但 live 更新极易记忆漂移、人格坍缩。
- 平台差异很大：移动端优先用”端侧”模型（跑在手机本地、不连云）加短上下文，把复杂规划挪到服务器；延迟预算上，文本 NPC 普遍要求 P50（一半请求的延迟水平）在 300–800ms、P95（95% 请求的延迟上限）不超 1.5s，语音首块要压到 300ms 内——这些是公开建议，你项目得自己压。
写在最后
回头看开头那两种想象，问题不在”想多了”，在把难的地方想简单了。AI 驱动玩法真正的工程含量，不在模型多大，而在给聪明套上围栏：围栏内它越活越好，围栏外——权威状态、经济、反作弊——永远在引擎和服务器手里。
上面这些不是凭空来的，整理自 Generative Agents、Voyager、CICERO、SIMA、NVIDIA ACE 等公开研究和已上线产品，算一份把散落结论收拢后的笔记。你真要动手，最小原型很明确：一个 LLM 接口 + 一份白名单动作函数 + 一个动作验证器，先做”单 NPC、文本优先”，量到留存和延迟达标再谈扩展。