日前，在2026 TapTap开发者大会（TDW）上，《妹居物语》项目主策划钱看山以“什么才是真正的AI Native游戏”为题，系统阐述了团队对AI游戏本质的思考与实战路径。

据披露，《妹居物语》基于“玩家输入→AI决策→状态落库→新体验反馈”的核心循环，构建了不依赖预设叙事的动态关系累积玩法。项目在40+个约3000人规模的测试群中完成多轮模型微调验证，玩家满意度达到可接受水平。

钱看山在演讲中给出了一个极具辨识度的定义：“拿掉AI之后，核心体验不再成立的游戏，才是AI Native。”

以此为锚点，他通过排除法划清AI游戏的边界，直言仅用AI提效工具、挂接LLM对话NPC、或贴标签蹭热点的做法均不算AI Native，因为它们改变不了商业项目的胜负结构。

值得关注的是，钱看山分享了成本管理的实战经验，包括模型微调、供应链拐点预判、自研客户端Agent等，强调“做能活下去的商业项目”。

以下为演讲实录，经整理与删减：

各位老师、同学们，大家下午好。我是《妹居物语》项目组的主策划钱看山。非常开心，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接，就是“什么才是 AI Native 的游戏”。这个答案，正是我们项目组正在探索和践行的方向。

我们想把这个主题拆成三个部分：

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。

首先来看排除法，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 加持下，Demo 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 AI，更多只是项目组出于某种考量。

另外一类，则是噱头和标题党。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”。我们认定这些不是AI 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S 级、A 级项目来说，数亿元的研发成本已是常态，每一次小型迭代或方向调整，成本攀升动辄数千万。

对于这些头部项目，它们很难凭借AI 工具的效率提升，在制作流程层面与小团队形成竞争，所谓成本优势其实并不存在。

另一个根本问题是，工具的进化无法带来底层知识的进步。

工具进化能提供许多知识和可用选项，但真正落地的难点往往出现在更具体的层面，比如审美、战斗手感、技术路线的选型。在这些决策上，AI 完全无法替代那些单点能力极强的执行者。而像发行资源这类要素，就更不是 AI 能够赋予的了。

更现实的是，所有传统游戏赛道永远是“赢家通吃”。

在市场结构不变的前提下，如果想用小团队、次一级的资源、次一级的员工和美术资产去冲击大型传统赛道，我们目前的判断是很难，也几乎不可能改变胜出的概率。

从稍微学术一点的角度来看，我个人认为当前游戏设计的分层还是比较清晰的，而AI 会带来新的变化。

第一层游戏设计，永远基于物理现实世界，遵循物理规律或社会规律。传统游戏设计则处于第二层，是对传统玩法进行抽象。

基于这种抽象，行业里已经产生了血条、蓝条、技能点和冷却时间等约定俗成的设计。游戏学界大抵也是如此评判传统游戏设计在抽象层面所带来的提升。

但坦率地讲，第二层已经是红海。我们看到，无论是FPS 还是 MMO，产品迭代的时间越来越长，成本越来越高。当下的大世界游戏同样如此，成本、时间、迭代周期都在拉长，难度不断攀升。可以说，第二层那些低垂的玩法抽象果实，已经快被采摘殆尽了。

在这种情况下，我们认为一条更好的路径是，在第二层传统玩法抽象的基础上，借助LLM 的驱动，生发新的抽象。

例如，如何将记忆设计融入游戏，用于驱动角色和玩家意图，实现角色状态的自更新；又如，游戏叙事如何从线性叙事转向涌现式叙事。

AI 有一个很好的特点，它的叙事逻辑与人类此前设计的线性或涌现式逻辑截然不同。从这个角度去思考，第三层的抽象空间就会变得极其广阔。我们相信，如果从第三层着眼，还有许多低垂的果实等待我们去摘取。

为了做好这款AI 游戏，我们把前面的思考注入了游戏的玩法循环之中。

正如刚刚提到的第一、第二、第三层，关键在于，在我们的游戏设计里，玩家与Yuki 之间的关系是动态累积的。

我们并没有做任何预设的叙事设计，每天、每时、每轮的对话，以及游戏内每一项功能（无论是否消耗Token）的交互、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，每一次关系的变化，都会在具体玩法和Yuki 的事件里催生出新的体验、新的交互。这种新体验本质上是玩家与 Yuki 之间独一无二的共创。

我们的UGC 产生于游戏的核心玩法内部，并且是自然融入的。这正好回应了我们愿景的一部分：每个人都值得，也应该拥有一位不一样的 Yuki。

接下来，AI 到人的这部分体验会更加主动。

相对而言，人到AI 的设计比较好做，因为它很具体，照着人与人之间信息生成的方式去模仿就可以了。但从 AI 到人的玩法构思与交互形式，则需要投入极大的功夫，市面上也几乎没有现成方案可供参考。

目前在AI 游戏的玩法设计层面，如前面所说，第三层还几乎是一片空白。这意味着大量探索的试错概率很高，只能像陈星汉老师所说的那样，到玩家当中进行疯狂的迭代。

因此，我们玩法的核心循环是从玩家输入开始，经过上下文组装工程，交由AI 进行决策，再将决策产生的某种状态机制落库，最终产出新的体验反馈。

本质上，这个过程也可以逆向运作：新的体验反馈又会催生新的状态落库，触发AI 决策，进而影响玩家的输入，形成新的上下文组装。所以，关键并不在于让 AI 多说几句话。

在“AI 到人”这一步，我们的思考是，让 AI 直接参与和玩家的每一轮游戏互动，并留下后果。玩家下次打开游戏，面对的将不只是聊天界面，而是打开游戏中任何一个消耗或不消耗Token 的副玩法模块，都会获得新的体验。

我举一个所有玩家都会体验到的具体例子：我们Level Two 模型的对话体验，本质上是一个庞大的动作库。

玩家每次输入，无论是文字、语音还是视频，基于LLM 的驱动，并参考角色记忆和内部向量库，再借助目前前沿的编排（Orchestration）工程架构，都会在一次互动中调度出合适的动作。随着记忆库不断丰富，动作调度会越来越丰富，这种体验输出会构成一个循环。

当我们把这件事想清楚之后，发现能做的事情非常多。在角色层、记忆层、内容层，以及所有你希望触达玩家的层面，包括设计什么样的副玩法、哪些副玩法与AI 结合后能产生常玩常新的体验结果。

具体拆分下来，这反而让我们绕开了传统游戏循环构建的思考方式。因为我们不需要再去纠结PVP 或 PVE 游戏所要面临的那些问题。这使我们避开了一旦从零开始立项做传统游戏就必须思考的许多难题，而通过直接与 AI 交互，我们绕过了它们。

反过来说，大家都知道，目前所有AI 应用在 C 端的成本，大部分都来自 Token 消耗。要想成为一个在商业上能活下来的项目，成本管理能力对所有志在制作 AI Native 游戏的团队都至关重要。

为此，我们做了大量尝试，让游戏能够自给自足。

一方面，我们大部分的Token 消耗来自聊天场景，而国内的开源生态非常好，因此我们基于中尺寸模型进行微调。

我们拥有40 多个测试群，每个群大约 3000 名热心玩家，借助这个庞大的测试群，我们将微调后的中尺寸模型与当前主流模型进行对比测试。我们推出的Yuki 大模型宣传视频，在 B 站的播放量接近 10 万，玩家对输出结果也比较满意，这些同样是成本考量的一部分。

另一方面，我们不像传统游戏行业，反倒更接近需要向上游快速响应的传统制造业，必须成本倒逼，采用灵活、可控、定期调整的模型供应链策略。

这要求我们不仅要跟踪基座模型团队，还要跟踪云厂商的政策。这些事务与传统游戏策划无关，却成了AI 游戏策划必须追踪的一部分。更重要的是，有时需要预判基座模型团队在某个成本拐点的表现，并在预测拐点到来后，敢于大胆尝试。

举个例子，在DeepSeek R1 出现之前，所有语聊游戏除非投入极大成本，否则在 C 端产品上的受众会很窄，因为你得考虑收回成本。当成本拐点到来时，就必须迅速响应，并以此为基础进行玩法设计。

我们在项目开发中就遇到过这样一个案例：

年初我们上线了桌宠功能，本意是灰度测试，但DAU 不知为何冲到了 10 万。

当时我们采用某云厂商绑定的Agent 能力和模型，并进行了微调。这个方案技术上的优劣暂且不论，但从成本角度考量，用于商业化设计是完全无法接受的。

它甚至有80% 的成本来自该方案 Agent 能力的支出，与 LLM 本身无关。这促使我们在后续测试中立刻转向，采用自研的客户端 Agent，将原先的云端成本完全优化掉。

另一个例子是生图。

我们此前设计了许多AI 到人或人到 AI 的生图玩法，经过一两个月的迭代和尝试，不计成本地与玩家互动，做出了一些流程体验不错的 Demo。

但这些Demo 的问题在于，在今年4月份之前，无论用哪家厂商的方案，生成一张图的成本基本在两到四毛钱。对于任何需要依赖生图玩法进行的设计，这种成本在商业上是站不住脚的，也是不可接受的。

基于这个考量，我们预测了一个拐点，也就是某模型能力发布后，其成本会降至四分钱甚至更低。这也是我们静待拐点，再进行相应游戏设计的一个例子。

我们有一个说大不大、说小不小的项目愿景，就是靠自己活下来，实现回本。这有点像成为AI 应用领域的 SpaceX 猎鹰 9 号。此前所有的 AI 应用体验都是昂贵且一次性的，我们想把它变成一种可回收的体验，让项目能够拥有正向现金流，一步步持续迭代。

我们团队的愿景有两个方向。

横向来看，我们想基于Yuki 做深、做宽，随着模型能力的提升，不断探索产品多模态能力和玩法设计的边界，同时推动多端覆盖。目前我们有移动端、PC 端和小程序，之后还会更新 Watch OS 和主机版本。

纵向上，我们坚信AI 玩法设计在第三层还有无限可能。

Yuki 本质上是 AI+AVG 模式在第三层的一种建构，但我们认为，AI+SLG、AI+MMO 这些更大的传统品类，虽然目前看来可能比较困难，但随着模型能力的提升和成本的优化，在这些领域进行第三层建构，同样拥有深厚而宽广的可能性。

我们团队是一个非常典型的小而精的团队，成员背景来自业内广泛认可的厂商，而且极其年轻。我们有将近一半的研发人员是实习生，甚至还有一位高中生，团队四分之三的成员是00 后。

最后，我个人的结论就是：所谓AI Native 游戏，就是拿掉 AI 后核心体验便不再成立。这样的游戏，我认为才算得上是真正的 AI Native 游戏。谢谢大家。