AI 时代的变革都让人习以为常。
文 / 以撒
这几年的腾讯财报，看得我越来越麻木。
过去 5 年里，腾讯游戏的增速都远远跑赢全球大盘。在这种态势下，「涨」已经是个默认预期。所以前天，看到腾讯 Q2 财报显示游戏收入 659 亿元、又一次连续增长，我也一点不意外。
但这并不是行业常态——要知道游戏大盘的增长近乎停滞，新品突围越发困难，开局天崩的大作、陆续停服的新品都不少见……很多传统的方法论，在这个阶段也已经失灵了。
其实腾讯也有难做的新品，《洛克王国：世界》是最典型的一个——它没有成熟 GaaS 原型，需要解决大量无先例的难题。但在财报里，它被马化腾称为今年新手游中平均日活、流水都排第一的爆款，甚至被很多人认为拥有长青潜质。这怎么解释呢？
最近，我们找到《洛世界》研发团队和公共技术线（腾讯游戏核心技术中台）团队聊了聊，倒是从一个刚刚上线的 AI 黑科技里找到点头绪。这个功能的核心，是为玩家推荐和教学 PvP 阵容。它还有个对应的精灵形象，名字叫「斯嘉丽」。
想象一下，有个新手想组套 PvP 阵容，但想法很抽象——比如他想组一套「阴而不强」的队伍，该怎么办？
其实这是主播 @企鹅带带北极熊 直播测试时提的一个需求
对一名 PvP 萌新来说，这实在有点难：《洛世界》里目前有 400 多只精灵，你要对精灵属性、技能、机制、性格、搭配……都有一定理解，才有可能自己研究出来；用传统攻略、Wiki、WorkBuddy？都不现实；找高手、主播、社区发帖？门槛也挺高。很多人其实对 PvP 有不低的兴趣，但就是这么被劝退的。
有时候一个玩家如此还好，但几百万、几千万的人又怎么办？基本无解，除非每人都有个一对一私教。
在这种情况下，AI 可能是唯一的解法——游戏内置的斯嘉丽，能读懂你的背包，通过对话理解你的需求，给出最优选择。只要一句话，就可以根据你的输入内容和精灵盒子情况，在几秒内组出阵容，还能给你把打法讲得头头是道。
毒队还真符合「阴而不强」的意思
这个功能上线后的效果，超过许多人的想象：有玩家一天和斯嘉丽对话超一千轮；有高手夸它真的对阵容有理解，不少没打过 PvP 的新手，则发帖感谢它带自己赢了第一局。
项目组也告诉我们，斯嘉丽有效促进了游戏的 PVP 破冰及活跃，期间 PVP 激活率增幅 20% ——在大 DAU 的前提下，这个数字的分量可太重了。
大概会有人觉得：不就是个内置 AI 助手，至于那么夸大吗？一开始，葡萄君也这么想。但深入聊过之后，我却发现事情远没那么简单—— AI 对行业的影响，已经悄悄跨到了和过去完全不同的阶段。
01
让 AI 懂游戏，到底多难？
斯嘉丽这个项目是怎么来的？项目组的想法很早——在 2025 年《洛世界》的测试阶段就有了。
当时，公共技术线先手搓了一段演示 Demo，把想象中的 AI 协助效果做成了视频，看着还挺像回事。他们的心态很好，想着「Fake it until you make it」。一切看着都很自然，玩家需求也在，那就总能实现嘛。
但真上手之后他们才发现，要做个所谓的「内置 AI 助手」，坑比想象中多太多。
元股证券:ygzq.hk团队最初的想法很朴素：给大模型喂够了游戏资料，它也许就能理解？结果这是第一个巨坑——即使用上最强模型，AI 在这个场景里答对的概率都低得可怜，全是幻觉。
原因很简单：《洛世界》的游戏知识太新了，不在任何大模型的预训练语料里，反而有很多易混淆的语料——比如更早的洛克页游……游戏里一切技能、精灵、阵容，对它来说都是新大陆，短时间内不可能理解透彻。
在这之后，他们决定转向 RAG 架构：挂一套知识库，用检索增强让模型回答。结果紧接着就是第二个天坑——大模型对知识的理解方式和人不同，往往没法准确掌握；而游戏知识不仅海量，还在持续更新。以 RAG 的检索能力，做做简单的 FAQ 还好，要它理解游戏内容，根本架不住。
研究阵容被玩家称为「科研」，难度可想而知
斯嘉丽项目负责人贾克斯给我们举了个例子：电系技能打翠顶夫人（翼系 + 水系）是几倍伤害？很多玩家都能不假思索地答出三倍，但 AI 根本分不清「克制」和「强力克制」的区别，只会当成近义词搞混……这么简单的问题都没法准确回答，这不扒瞎么？
一通折腾下来，技术团队发现回答的准确率仅有三四成，惨不忍睹。
踩了无数坑之后，团队意识到必须推翻重来，于是花了大半年时间，拿出了一套完全自研的多模块协同进化 Coach Agent 架构。
这个架构主要做了几件事：第一件，是把抽象的「组阵容」具象成「填表格」。表格里每一列对应一个属性——精灵的系别、技能、性格……玩家的需求被翻译之后，AI 只需要提取对应元素，把这张表填好，准确率就高了很多。
推荐算法负责人 yanjie 说，他们的灵感来自一个具体的 Bad Case：游戏里很多机制要求排列技能时保证顺序不出错。比如锤头鹳的主流打法，就需要玩家把水弹枪排在一号位，通过硬切克制弱水精灵。
这么细节的排序，怎么让 AI 准确理解、掌握呢？他们发现，只要设计成一个表格里栏位的变化，AI 就能做到了——表格是天然保序的。
表格好填，但填什么内容是对的？这是更大的难题。
项目组提供了完整的设计文档，但每只精灵和谁搭配、什么时候登场、技能怎么用……这些不可能靠人工一条条写给 AI。技术团队的方案，是让 AI 从实战中学习，再用规则 + 大模型的双管齐下，把实战数据推理成结构化知识。
到现在，这个知识库的规模多达 100 万条，覆盖了玩家 82% 的真实问题。
到这一步，AI 依然会犯一些常识性错误，有个经典的 Bad Case：虫队怎么打火神？AI 的答案是，让花衣蝶用灼烧逼退它！然而花衣蝶被火神三倍克制，同时火神也不吃灼烧的负面效果……这种答案，玩家看一眼就会觉得 AI 根本不懂游戏。
测试时的偶发性错误
为了防止这类错误反复出现，团队又加上了大量的 Harness（约束机制），通过构建在线教学、自进化知识推理、评估和归因三引擎的全套方案，把容易出错的事实判断交给系统去校验，模型只负责组织语言。贾克斯的总结很生动：「我们既要做大模型的心理医生，又要做它的语文老师。」
不过答案写出来了，对玩家仍然不够。面对一头雾水的新手，AI 还得会手把手讲解「这套阵容怎么打」。
这个问题，被团队称为「皇冠上的明珠」——它最难，但玩家也问得最多。技术团队把它拆成了几十个子问题：谁首发？什么时机切精灵联防？这套阵容怕什么？……每一个子问题，都对应一套专门的解答逻辑。
最后，为了适应游戏不断更新的内容，这套系统知识还会进化，通过知识推理更新知识库，不断补充迭代。Agent 技术负责人琦仔说，这样循环迭代之后，斯嘉丽的回复效果逐渐往上攀升。最终，准确率可以提升到 90% 以上。
还有一件事，团队花了大力气，但玩家几乎感知不到——速度。
斯嘉丽最初上线时，一个问题问下去要等 40 秒，这个时间足以让大多数人失去耐心。技术团队从工程、架构、部署三个层面同时优化：把串行的推理链路改成并行，把不必要的思考轮数压缩掉，把模型缓存命中率提上去……最终把端到端耗时压到了 2-10 秒，首字平均 2 秒内。
最终的效果，就是你真能看到一些原本怕麻烦、怕输的玩家，开始因为斯嘉丽接触和喜欢 PvP。在社区，和斯嘉丽相关的内容也一下子爆发，播放量超过数百万。这些内容，又让更多玩家开始感兴趣、向 AI 讨教，形成了良性循环。
配资官方开户
不仅如此，因为斯嘉丽本身也是只可爱的猫头鹰，有自己的名字、身世、故事与独特经历，她也让不少小洛克有了感情。就连她的声音也被反复调试过，声线、语速换过好几版，语音识别（ASR）也做了针对性优化——精灵名字千奇百怪，有个精灵叫「嗜波螺」，玩家语音输入「嗜波螺是不是菠萝？」，斯嘉丽也能准确识别出来。
战斗策划老陈告诉我们，有玩家会问「斯嘉丽，你来做我的好朋友好不好？」也有人开始讨论她在这个世界的故事，甚至给她做二创……
来源 B 站 @捕捉大洛克
如果只看团队规模和投入，这事好像也不算难——技术组人员规模不大，研发时间仅一年左右。但一个 AI agent，在为每个人做私教、答疑之外，还能作为游戏中情感连接的一部分，这在技术和做法上，都是以往很难想象的事。
甚至可以说：在现阶段，这是一件大概率只可能在腾讯发生的事。
02
为什么只有腾讯先做成了？
这个说法不算夸张。很多人可能不理解，这样一个 AI 助手的意义到底多大。
用老陈的话说：在传统游戏设计里，「易上手」和「有深度」是最基本的设计常识，但也是天然矛盾的无解难题。而 AI，可能第一次解开了这个曾经无解的死结。
它能帮新手跨过门槛，体验绝对私人定制；高手也能用它省时省力。核心玩法本身不需要过多妥协，玩家自然会加速完成适应——这套逻辑一旦成立，AI 在游戏里的价值就有了质变，因为它直接大幅优化了所有人最底层的体验。
玩家可以用斯嘉丽一键解决技能、性格、血脉等缺失项
那么问题来了：这件事明摆着有价值，为什么只有腾讯先想到、做成了？和团队聊过之后，我发现有几个非常硬的门槛。
第一，人才密度。技术团队人数虽少，但每一个人几乎都不可替代——每个模块的负责人，都是对应领域的专家，到这儿甚至还是来挑战的。做推荐模块的 yanjie 就说，斯嘉丽和他过去做的所有推荐机制都不同，这令大家颇为兴奋：「这个难度属于 next level」。
除此之外，他们基本都要打上 PVP 大师段位，自己去体验斯嘉丽推荐的阵容。换句话说，这里每个人都是既懂 AI，又懂游戏的复合型人才。而且他们要有主观能动性，愿意和策划一起讨论需求，思考解决方案。
第二，研发能力。斯嘉丽的每一个模块——从知识库的搭建方式，到 agent 架构的设计，再到教学内容的颗粒度，全都建立在《洛世界》本身设计的规范性，和团队对游戏玩法的深度理解之上。
用团队的话来说：换一个非游戏团队来做这件事，是完全搞不来的。而公共技术线之所以懂游戏，也是因为一开始他们就不是一座浮空的岛屿，而是长在业务里，见过形形色色的团队，碰过大量数据，并能在海量用户的真实反馈中不断校验 AI，形成飞轮。
第三，团队的决心——这一点听起来很虚，但却是最重要的。
在项目早期，斯嘉丽的回答准确率只有三四成。放在正常的商业决策流程里，这个数据早就足够让团队灰心、项目被叫停了。但贾克斯说，他们会对这个项目有一种使命感，觉得一定要做成。
产品负责人荔枝补充了一个细节：在团队内部，有个 5 分制评分体系，做到 3 分、4 分其实也足够交差，但他们就是不接受，必须要做到 5 分，为此还没少在大晚上主动留在公司……
他们为什么会有这种状态？琦仔是这么解释的：大家的原始动力在于，相信这个全新的能力落地到游戏场景里之后，能产生非常棒的化学反应，他们对这一点「完全有信仰在」。
人才、研发能力、决心，每个都不简单。但即使这些都有，还需要项目组和公共技术线的深度协作——二者几乎是一个绑定的团队，后者为此专门从云海三栋搬到了一栋，把一间会议室当成了自己的办公室。老陈也说，他第一次见到这种合作形式：「大家听到的声音、要解决的目标、做事的节奏都是一样的」。
除此之外，团队里每个人也得有全栈意识。算法、工程、产品，都要越过自己的本职边界，对斯嘉丽的回答质量负责。贾克斯也调侃，说他们团队里「人人都是斯嘉丽」。
所以说，类似的 AI 应用看起来人人都能做，实际上很少人做成，是因为它同时考验所有这些能力。任何一样不到位，项目就很有可能在「准确率三四成」的阶段死掉。
但反过来看，一旦真的做成了，这类应用对游戏的改变，可能就是上个时代的我们无法想象的了。
03
真正的变革，润物无声
很多人会觉得，AI 应用要真正有所改变，那一定得是一个革命性的、跨时代的创新应用。
但我反而觉得，真正革命性的东西，应该是那些让我们习以为常的事情。
现阶段，很多 AI 应用本质上都是如此：放在十年前人们眼里，它们可能属于外星科技的水平；但 AI 时代的我们，早就已经习以为常，甚至开始有点嫌弃 AI 智商不足、办事不力。
在游戏行业其实也一样。过去几年，AI 在游戏里的应用已经不少——像是 AI NPC、AI 管线提效……大家都寄希望于它们是技术革命。但要说真正解决玩家痛点，还没有多少 AI 应用真正实现。
这就是斯嘉丽让我觉得开始有点不一样的地方：她提供的是解决问题的能力，真正开始让玩家的游戏行为发生变化。而且没有人会觉得她奇怪，每个人都可以 1 秒理解、接受、适应。
这个过程太过自然，以至于每个用户基本不会去想到，她背后的研发有多难。这就是 AI 时代的奇迹啊。
顺着这个逻辑想下去，游戏里值得被 AI 重做一遍的事情，可能比我们想象的多得多。在采访时，我们就讨论过一些一直没被充分解决的需求：比如很多游戏里，新手面对养成资源分配一头雾水——先养谁、先升什么，选错了可能浪费几周的资源。但 AI 其实可以根据他的情况和偏好，直接给出一条清晰的路线。
以前没有 AI，玩家遇到这类问题，大多忍一忍就过去了——信息量太大就慢慢查，操作太繁琐就多花点时间，门槛太高就干脆不玩……
但忍着的需求不会消失，只会导致用户流失。现在，那些对玩家体验最敏感的团队，已经开始用 AI 把这些点一个个抹平。腾讯自家的例子就很多——《和平精英》的 AI 队友、《暗区突围》的 AI 应用、《王者荣耀》和《万象棋》的灵宝……
看起来，每个点都不是什么革命性的变化，但它们可能是通往下一个时代的钥匙。
比如斯嘉丽这一类 Coach Agent 的存在，是不是能让一些曾被人认为门槛太高的品类重新焕发生机？就像老陈所说，如果「易上手」和「有深度」的矛盾被大幅缓解，策划是不是可以考虑继续迭代品类，设计出更复杂，但也更有密度的游戏乐趣？
这可能也解释了，腾讯财报为什么让人看着麻木——游戏业务之所以能连续增长，是因为他们在用一种别人还没完全跟上的方式，最先投入最大的力度，持续地给游戏底层体验提供壁垒。玩家玩得更久、乐趣更强了，产品自然更加长青，但其中的变化，其实没多少人真正察觉。
当前，AI 无疑成为影响行业走向一个大的变量。财报内外，我们也可以清晰看到腾讯对游戏 AI 清晰的路径与把握：2024 年 Q4，业绩会就开始提及 AI 在优化游戏匹配、提升 3D 内容制作效率上的赋能——这是生产管线的提效，更多发生在玩家看不见的地方。
到了 2025 年，AI 的叙事更进一步：比如 MagicDawn 让手机端也能有媲美 PC 的光影效果——这是内容品质的跃升；而到了今年，AI 已经直接渗入玩家的游戏体验本身，让长青变得更长青。
这些让人习以为常的东西攒在一起，很可能构成了腾讯游戏业务新的护城河。而这道护城河能挖多深，或许会影响腾讯未来的增长还能持续多久。
游戏葡萄招聘内容编辑，
点击「阅读原文」可了解详情
推荐阅读
点击下方名片，关注公众号
（星标可第一时间收到推送和完整封面）ETF配资炒股平台
证配网提示：本文来自互联网，不代表本网站观点。
