从玩家社交任务定义产品
把目标用户拆为缺少固定队友的单人玩家、担心拖累队友的弱社交玩家和需要指导的新手，定义“高玩能力、可靠担当、不评判”的核心人设。
CASE 02 / GAME AI · COMPANION AGENT2025.08 — 2026.02
腾讯游戏 · 和平精英
AI 陪玩 Agent
Real-time Game Companion不只是会打的 BOT，而是能听懂、会配合、记得你的队友。
玩家表达
玩家说话“跟我走”“救我”“这里有人”
↓ 语音转成文字识别真实诉求区分聊天、请求、命令和紧急情况
实时战局
读取客户端状态不是凭空猜画面，而是接收结构化数据
↓ 持续更新环境信息地图、敌人和附近物资
玩家与队友状态血量、位置、装备和可执行动作
AI 队友的判断中心既要跟得上战局，也要知道你习惯怎么配合
玩家想做什么？识别目的
这句话要立刻执行吗？识别指令
周围发生了什么？理解环境
现在适合怎么做？评估状态
跨局记忆常用打法共同经历交流偏好
移动、战斗、救援，或根据玩家指令改变战术。
用语音回应、主动提醒风险，也能接住情绪和闲聊。
先定义真正的问题。
陪玩 Agent 必须同时解决“能打”和“像队友”两件事：既要理解玩家指令、地图环境与自身状态，在低延迟下执行动作；又要主动提醒、回应情绪并保持跨局记忆。任何幻觉或机械回复都会迅速破坏信任。
30+玩家日均互动次数
24min+平均使用时长
70+2.0 版本互动轮次
三个关键产品判断。
结构化状态代替凭空看图
当时不依赖视觉模型直接观看画面，而是融合玩家语音、操作与客户端回传的地图、敌人、物资、血量、位置和装备字段，分别做意图、指令、环境与状态识别。
行动与关系两条闭环并行
决策核心一端驱动战术行动，另一端生成自然语言并经 TTS 返回；长期记忆记录玩家习惯与共同经历，让跨局互动不再每次从零开始。
03 / PRODUCT SYSTEM
把能力组织成闭环。
不只展示页面步骤，也展示数据如何流动、模型如何协作，以及产品如何把不确定性收进反馈回路。
AI 队友同时听玩家说话、读取实时战局，再决定要不要执行动作、该怎么回应；跨局记忆让它不会每次都像第一次见面。
用户输入系统处理结果输出反馈改进
01
听懂玩家说什么听懂“跟我走”“救我”等自然表达
02
读取实时战局客户端回传敌人、物资、血量与位置
03
判断现在该做什么区分聊天、请求、命令和紧急风险
04
结合记忆与人设结合玩家习惯、共同经历与队友人设
05
执行战术动作移动、战斗、救援或与玩家协作
06
用语音反馈玩家解释刚才做了什么，并主动提醒下一步
为什么会越玩越像队友
观察行动结果→更新玩家偏好→沉淀跨局记忆
↰ 回到上游持续校准04 / OUTCOME
结果，以及仍需验证的部分。
- 玩家日均互动超过 30 次，平均使用时长超过 24 分钟。
- 2.0 版本局内与营地聊天合计互动轮次由约 30 轮提升至 70 轮以上。
- 形成语音输入、结构化状态理解、行动执行与对话反馈的实时闭环。
- 产品验证了陪玩价值不只来自战斗强度，也来自主动关怀、低社交压力和跨局连续关系。
互动与时长为版本聚合数据，用于说明产品参与度，不代表个人独立产出；页面流程图为原创抽象表达，不展示任何内部界面或未公开素材。