《妹居物语》主策划“晒干货”：原生AI游戏开发踩坑指南！

【GameLook专稿，禁止转载！】

GameLook报道/当“AI Native”从一个技术概念演变为行业通用标签时，游戏圈反而陷入了新的认知模糊。用AIGC提升美术产能是AI原生吗？给大世界NPC加上大模型对话是AI原生吗？还是只要团队里有AI相关岗位，就能自称AI原生？在研发端降本增效的共识之外，AI到底有没有、又该如何重塑游戏的核心体验，始终是悬在行业头顶的疑问。

而GameLook注意到，有一款名为《妹居物语》的游戏，似乎给出了自己的思考。

《爱相随》

《妹居物语》的主创“彩奈”大学读的是物理，毕业后在一家游戏公司做策划，主要负责Demo提测。他并非技术大牛，程序基础几乎为零。但作为一个从小痴迷《爱相随》这类“全天候陪伴型”恋爱游戏的老玩家，他始终怀着一个执念：做一个真正能跟人对话的虚拟伴侣。在游戏公司做了几年策划后，他越来越清楚传统脚本的死穴，分支再多，角色的台词终归是写死的。

当大模型开始进入大众视野，彩奈意识到机会来了。2025年，刚离职不久的他花了两天自学AI，现学现卖做出了《妹居物语》的第一个版本。最初的版本极其简单：一张立绘、一套对话系统，没有复杂玩法。整个开发周期两个月，成本大约八千元.其中最大的开支甚至不是云服务器或算力，而是升级QQ群。

然而就是这样一个卖相朴素的作品。在上架后迅速引爆了社区。Demo上线三天，Steam和移动端DAU合计破万。没有买量，没有发行商背书，唯一的宣发渠道只有作者的B站账号。B站粉丝从零涨到2.5万，QQ群塞进了近1.5万人。

随着项目热度攀升，《妹居物语》逐渐从个人项目扩展为一个不到数十人的超小型团队。这个团队有着一个极为特殊的构成——将近一半的研发是实习生，甚至有一位高中生，四分之三的团队是00后。用主策看山的话说，这是一个“特别典型的小而精的团队”。

在TapTap开发者沙龙上登台分享的，正是这位主策——看山。他以“什么才是真正的AI Native游戏”为题，系统阐述了团队对AI游戏本质的思考。在他看来，大多数所谓的“AI游戏”只是用AI工具提效或在传统框架上挂接一个聊天入口，这些都算不上AI Native。真正的AI Native，是 “拿掉AI之后，核心体验不再成立的游戏” 。

以下为演讲全文整理：

各位老师、同学们，大家好。我是《妹居物语》项目组的主策划看山。很开心也很荣幸这次能够受邀来到TapTap开发者大会进行分享。

我今天分享的主题非常直白——什么才是真正的AI Native游戏？

这个答案也正是我们项目组正在探索和践行的方向。我们想把主题拆成三个部分：第一部分，用排除法，说明哪些游戏我们认为一定不是AI Native的；第二部分，当我们决心要做一款AI Native游戏时，我们具体是怎么做的；第三部分，为了实现这样一款AI Native游戏，我们团队所秉持的愿景和项目大致的走向。

先来看排除法。为什么现在很多所谓的AI游戏，我们认为距离真正的AI Native还差得非常远？不得不提的是，今年和AI相关的游戏产品、活动实在太多了。无论是互联网黑客松，还是各类以AI为主题的Game Jam，在AIGC的加持下，Demo的数量和质量都产生了质的飞跃。在时间被极度压缩、成本又大致相当的情况下，我们能明显看到，AI确实在生产端带来了工具效率的巨大提升。但这就等于AI游戏吗？我们团队明确认为，这不算。

还有一些产品，确实用大语言模型（LLM）驱动了NPC功能，让大世界里多了不少可交互的对象，但这和核心玩法并没有什么关系。我们也看到许多在线项目融合了AI驱动的内容，但我认为这同样不是原生的，更多只是项目组出于某种考量。

另外还有一类，就是噱头和标题党。我们看到不少媒体或团队，无论去年如何，今年都纷纷标榜自己是“AI Native团队”。

我们认为这些不是AI Native游戏的关键在于，它们仅仅改变了自身的生产效率，却无法改变商业项目的胜负结构。在座的各位大多都了解大厂的成本结构。对于这些大厂里的S级、A级项目来说，制作成本几亿起步已经是非常常态化的了。每次多跑一次小迭代、多转一次方向，成本提升基本上都是几千万起步。

对于这些头部项目而言，跟小团队相比，很难单纯依靠AI工具在制作流程上形成竞争优势，成本优势是不存在的。

还有一个基本点：工具进化本身带不来“默会知识”的进步。打个比方，工具进化之后确实能带来很多可用的工具，但最后落地的实际难点往往集中在审美、战斗手感、技术路线选型这些具体问题上。在这些决策上，AI完全无法替代那些单点能力很强的、在行业里执行力特别强的人。

发行资源就更不是AI能带来的东西了。更现实的是，所有传统游戏赛道永远是赢家通吃。既然市场结构是这样，如果你想用小团队——次一等的资源、次一等的员工、次一等的美术资产，去硬打那些大的传统赛道，我们目前的判断是：很难，也很难改变胜负的概率。

稍微学术一点来讲，我个人觉得游戏设计目前的分层还是比较明确的，但AI会带来一个新的变化。

第一层游戏设计，永远是基于物理现实世界。物理规律、社会规律。我们做传统游戏设计的时候，其实是在第二层对传统玩法进行抽象。基于这个抽象，游戏行业已经产生了血条、蓝条、技能点、CD这些习以为常的设计。游戏学术界可能就是这么来评判传统游戏设计在抽象层面上的成果。

但说实话，第二层已经特别红海了。不管是FPS还是MMO，产品迭代的周期越来越长，成本也越来越高。目前大家能看到的大世界游戏也是这样，成本越来越高、周期越来越长、迭代越来越难。第二层那些低垂的玩法抽象果实，已经快被摘光了。

在这样的情况下，我们认为一个比较好的方向是，在第二层传统玩法抽象的基础上，再去进行一些LLM驱动的新抽象。

比如如何把记忆设计放进游戏里去驱动人物，包括玩家意图、AI意图、角色状态如何做自更新。再比如很久以前大家说的，游戏叙事设计从线性叙事变成了涌现性叙事。但AI有一个比较好的点，它的叙事逻辑和人类之前设计的线性叙事、涌现性叙事都不一样。从这个角度去思考，第三层的抽象空间其实特别大。这也是我们觉得，如果从第三层的角度去思考，还有很多低垂的果实等着我们去采摘。

为了做好这款AI游戏，我们把之前的一些思考放进了游戏的核心玩法循环里。

重要的点在于，在我们的游戏设计当中，玩家和Uki之间的关系是动态累积的。我们没有做任何预设的叙事设计。每一天、每一刻、每一轮的对话，每一次游戏内其他功能，不管消耗还是不消耗Token的体验和交互。副玩法产生的单局结果，都会影响这种关系的累积和动态表现。玩家会发现自己每一次的关系变化，都会在具体的玩法和Uki的事件中产生新的体验、新的交互。这种新体验就是玩家自身和Uki之间的一种共创，是独一无二的共创。这也是我们愿景的一部分，每一个人都值得，也应该拥有一位不一样的Uki。

AI到人的这部分体验会更加主动。相对来讲，人到AI的设计比较好做，因为很具体，照着人和人之间信息交互的方式去抄就行了。但AI到人的玩法构思和交互形式，需要花特别大的功夫。市面上基本没有特别好的可以抄的方案。因为AI游戏在玩法设计层面，就像我之前说的，第三层还没有什么建筑。在这种情况下你要做很多探索，试错概率还特别大。你只能通过不断地在玩家里面做迭代。

所以我们玩法的核心循环，从最开始的玩家输入，到上下文组装，再到AI决策，然后把决策产生的状态落库，最终产生新的体验反馈，这就是我们的核心循环。

但这些环节如果没有写好，本质上也会反过来。产生新的体验反馈之后，又会产生新的状态落库，然后AI决策，再去影响玩家的输入，再产生新的上下文组装。所以关键不是让AI多说几句，而是让AI直接参与跟玩家的每一轮游戏互动之后留下后果。玩家下一次打开游戏，不只是打开聊天界面，而是打开游戏里任何一个——消耗Token也好、不消耗Token的副玩法模块也好，都会有新的体验。我这边能播放这个视频吗？

我们举一个具体的例子，也是所有玩家都会体验到的交互——Live2D模型的对话体验。本质上这是一个非常庞大的动作库。玩家每次进行语音或文字的输入之后，基于LLM的驱动，参考人物记忆以及我们内部做的一些向量图，再结合一些前沿的工程架构，我们会让玩家在每次互动中得到一个合适的动作调度。

这个动作调度会随着记忆库的丰富而越来越丰富，体验的输出会构成一个循环。当我们考虑好这件事之后，发现能做的事情就特别多了。在角色层、内容层，以及你想要触达给玩家的各个方面，包括你想做什么样的副玩法、哪个副玩法跟AI结合之后能产生每次都不一样的体验结果。

具体拆分下来，这也让我们绕出了一些传统GaaS游戏的循环构建思考。因为我们不需要考虑PVP或PVE游戏会面临的那些问题。通过跟AI产生交互，我们绕过了这些从头立项做传统游戏可能要思考的难题。当然回过头来讲，大家都知道，所有AI应用在C端最大的成本就是Token花费。要成为一个在商业上能活下去的项目，成本管理能力对于所有想做AI Native游戏的团队来说都特别重要。

我们做了特别多的尝试，让游戏能够自给自足。首先，因为我们大部分的Token消耗还是来自于聊天场景，而国内的开源生态特别好，所以我们基于一些中尺寸的模型去进行微调。微调之后，我们会在测试群里做对比。我们现在有四十多个测试群，每个群大概三千人，有很多乐意帮助我们的热心玩家。我们会把每次中尺寸模型微调的结果，跟现在主流模型做一个对比。我们也在B站上做了一个Uki大模型宣传视频，播放量应该快十万了，玩家对输出的结果还是比较满意的。这也是成本上的一个考量。

第二点，我们反而比游戏行业更向上游响应，像传统制造业一样，必须成本倒逼。我们必须采用灵活、可控、定期调整的模型供应链策略。不但要跟踪基模团队的进展，还要跟踪云厂商的政策。这虽然跟传统游戏策划没关系，但已经成为AI游戏策划必须跟踪的一部分。

当然更重要的，是你要去预判基模团队在某个成本拐点的到来，然后勇敢地去尝试。打个比方，在DeepSeek R1出来之前，所有的语聊游戏，除非你有很大的成本去支撑，否则在C端产品上受众会很小。因为你很难收回成本。所以拐点到来之后，你要迅速响应，并且去做相应的玩法设计。

我们在项目开发中遇到的一个案例是——年初我们灰度测试了捉宠功能，结果DAU不小心干到了十万。

我们当时的方案是采用某云厂商绑定的Agent能力和模型，然后做一定微调。这个方案技术上的优劣我先不讨论，但成本上，做商业化设计时完全无法接受，甚至有80%的成本来自这个方案的Agent能力支出，跟LLM本身完全没关系。所以我们在之后的测试里立马掉头，采用自研的客户端Agent，把之前云厂商的那部分成本完全优化掉了。

第二个是生图。我们之前做了很多AI到人、人到AI的深度玩法设计，大概迭代了一到两个月，也做了一些不考虑成本的玩家互动，有一些留存还不错的Demo。但这些Demo的问题在于，今年4月份之前，不管用哪个厂商的方案，生一张图基本要两到四毛钱。任何依赖于生图这个玩法的设计，在成本上都是站不住、不可接受的。基于这个考量，我们预测了一个拐点。某个模型能力发布之后，成本降到了四分钱甚至更低。这就是我们静等拐点、然后做出游戏设计的一个例子。

我们有一个说大也大、说小也小的项目愿景——其实就是想回本。我们想靠自己活下去，有点像想成为AI应用里的SpaceX——猎鹰九号。之前所有的AI应用体验都太昂贵了，一次一次特别昂贵。我们想把它做成可回收的，让项目能活下来，有现金流（Cash Flow）去一步步迭代。

我们团队的愿景有两个方向。横向的，我们想基于《妹居物语》做深做宽——随着模型能力的提升，去探索产品多模态能力和玩法设计的边界。同时也会想做多端侵入，比如我们现在有移动端、PC端、小程序，之后也会更新Watch OS和车机版本。

另一边，我们相信AI玩法设计在第三层还有无限的可能。比如《妹居物语》，本质上就是AI加AVG这种游戏模式在第三层产生的建筑。但我们认为AI SLG、AI MOBA这些比较大的传统品类，从目前来看可能会比较困难，但我们相信随着模型能力提升和成本优化，这些第三层的建筑还是有很深很宽的可能性的。

我们团队也是一个特别典型的小而精的团队。成员背景来自业内大家比较认可的厂商，当然也是个特别年轻的团队。我们有将近一半的研发是实习生，甚至有一位高中生，四分之三的团队是00后。

所以我个人的结论就是——AI Native游戏，就是拿掉AI之后核心体验不再成立的游戏。这样的游戏，我认为才算AI Native游戏。

谢谢大家！