爱游戏AI大模型：让模型理解游戏知识、玩家行为和测试任务

把一个大模型训练得足够大、塞进足够多的攻略文本，它确实能背下相当一部分内容，但游戏会更新版本、任务会调整掉落、装备会重新平衡，模型记住的东西很快就和当前版本对不上。爱游戏AI大模型的立场很直接：与其指望模型靠记忆回答一切，不如让它在需要“找关系、查状态、判对错”的时候，去问一个带版本标签的知识库，而不是自己瞎猜。

这个栏目讨论的不是某一个模型有多大，而是一套分工：大模型负责理解自然语言问题，知识图谱负责给出准确的实体关系，推荐模型负责排序，玩家模型负责预测状态，强化学习负责难度决策，测试Agent负责主动探索异常。下面按这套分工，说明每一层具体解决什么问题、又在哪里会出错。

大模型靠记忆答题，一更新版本就露馅

让大模型直接回答“这件装备现在在哪里掉落”，最大的风险不是回答不出来，而是它可能用旧版本的记忆给出一个听起来很顺畅、实际已经过期的答案，还不会主动说“我不确定”。游戏大模型为什么需要知识图谱把这个问题讲得比较具体：答案生成之前先向带版本标签的知识库和图谱做检索（这类先查证据再生成答案的方式，通常被称为RAG），回答里带着来源和版本号，玩家和开发者都能判断这条信息是不是过期的。这也意味着知识库本身需要随版本更新维护，图谱如果没有跟上补丁节奏，模型再怎么“先查证据”也只是查到一份过期的证据，问题从“模型编造”变成了“数据陈旧”，需要专门的机制去发现和标记失效的节点。

模型负责“理解”，图数据库负责“找路径”

玩家问“拿到这件装备最快要走哪条路”，这类问题的难点不在语言理解，而在于要在一张装备、材料、任务、区域互相连接的图里做多跳推理，这恰好是大模型不擅长、图数据库擅长的部分。爱游戏为什么需要Graph Agent说明了三段分工是怎么接起来的：大模型把玩家的问题解析成一个明确的目标，图系统检索出满足条件的依赖路径，Agent再把路径整理成玩家看得懂的步骤清单，而不是把整张图原样甩给玩家。这里容易出错的地方是路径不止一条：材料可以刷图掉落也可以任务奖励获得，Graph Agent要按“当前最快”还是“当前最稳”给出取舍，取舍标准写死在提示词里往往不够用，更合理的做法是把候选路径都摆出来，附上各自的前置条件，交给玩家自己判断。

测试Agent也需要记忆，不然每次都从零摸索

如果测试Agent每完成一次探索就清空状态重新开始，它会反复撞上同一类已经验证过没问题的操作，浪费大量算力在重复劳动上。AI测试Agent为什么需要长期记忆和反思提出的做法是保留一份行动轨迹记忆：失败之后先做一次反思，判断上一轮策略哪里低效，再调整探索方向重新出发，而不是每一步都当成第一步。这套“行动、记录、反思、再行动”的循环，本质上和测试Oracle、状态覆盖是配套使用的。反思环节也需要边界：如果每次失败都无限展开新的策略分支，算力消耗会迅速失控，实际做法通常是限定反思的深度和候选策略数量，优先复用过去验证有效的探索路径，只在明显低效时才重新规划。

为什么不干脆让一个模型包办

把搜索、推荐、玩家分析和测试都塞给同一个聊天模型，短期看起来省事，长期会遇到同一个模型既要精通语言理解、又要精通图推理、又要精通排序、又要精通强化学习决策的矛盾——每一项能力都在互相拖累别的能力。爱游戏官网为什么不让一个大模型直接负责所有搜索、推荐和测试把这几类角色的分工边界写得比较完整，也说明了协调层要做什么：不是替每个模型做决定，而是把任务路由到该负责的模型，再把结果拼接成玩家能理解的答案。

这套分工怎么落到具体的搜索问题和测试流程上，可以分别参考爱游戏AI搜索和爱游戏测试AI；如果想看整体的数据是怎么在这些模型之间流转的，爱游戏动态栏目里也有专门的工作流拆解。