当下 AI 正在深度改造游戏行业，智能 NPC、程序化关卡生成成为行业热点。但不少开发者只接触 AI 生成素材，却不懂如何把 AI 模型真正集成进 Unity 游戏项目，理论看多、落地困难，缺少完整可运行的工程实践案例。《AI 重塑游戏开发：让 NPC “活” 起来》立足真实游戏业务，用 7 套可运行项目，打通 AI 从训练到游戏引擎集成的完整链路。

01 图书介绍

作为知名游戏厂商 AI 团队负责人，作者将自己多年在游戏领域的 AI 探索经验和盘托出，以真实的游戏项目案例，系统讲解 AI 技术从数据构造、模型训练到游戏工程集成的完整实践路径，回答 “如何将 AI 真正做进游戏” 这个核心问题。

02 读者受益

阅读本书，你将收获游戏 AI 完整工程落地能力：

1. 掌握多套真实可运行项目：包含玩家战斗力预测、AI 照片捏脸、网格寻路、三消关卡智能生成、可交互智能 NPC、阵容挖掘与推荐、视频动作生成 7 个脱胎于真实业务的项目案例。

2. 吃透完整工程链路：每个案例完整走完数据构造、模型训练、接口封装、模型推理到 Unity 项目集成，拒绝纸上谈兵。

3. 打通主流 AI 技术栈：熟练掌握 PyTorch、Stable Baselines3（PPO 算法）、通义大模型与 Function Calling、MediaPipe、遗传算法与强化学习，方法可迁移至其他技术栈。

4. 实现鲜活的 LLM 智能 NPC：学会角色性格塑造、对话记忆管理、意图识别、工具调用，打造拥有自由交互能力的游戏角色。

5. 获得开源配套资源：全部案例源码与素材 GitHub 开源，跟随书中步骤实操，学完即可迁移到自己的游戏项目。

6. 适配多类人群成长需求：适合有一定游戏开发基础的程序员、有志进入游戏行业的 AI 工程师、游戏新人、高校学生、独立游戏开发者，补齐游戏 AI 落地短板。

03 作者介绍

罗培羽

现任广州 4399 技术研发中心 AI 团队负责人。长期关注 AI 技术在游戏研发中的落地应用，具有丰富的游戏开发、技术架构与 AI 游戏实践经验。

曾出版《Unity3D 网络游戏实战》《百万在线：大型游戏服务端开发》等多部游戏开发技术图书，内容涵盖游戏客户端、服务端、网络架构与大型在线游戏开发，并曾在 UWA DAY、GSS 全球游戏峰会等会议进行技术分享。

04 目录

上下滑动查看目录 ↓

Contents目　　录

前　言
第1章 从战斗力预测开始入门模型设计　1
1.1 从战斗力预测开始　1
1.1.1 解读游戏场景　1
1.1.2 理解AI的数据基础——张量　2
1.1.3 构建输入-输出模型　3
1.1.4 计算损失函数和梯度　5
1.1.5 循环训练　6
1.1.6 模型推理　7
1.2 数据集处理　8
1.2.1 分析业务数据　8
1.2.2 自定义数据集　9
1.2.3 数据加载器　10
1.2.4 升级多维输入-输出模型　11
1.2.5 升级双重循环训练　12
1.3 战斗匹配系统　13
1.3.1 收集线上玩家属性　13
1.3.2 构造ELO排行数据　14
1.4 模型结构与生态　16
1.4.1 卷积网络扩展二维特征　17
1.4.2 ResNet支撑深层网络　19
1.4.3 自注意力Transformer架构　20
1.4.4 常用的第三方库　20
1.5 总结　21
第2章 AI驱动的照片捏脸系统　22
2.1 解读游戏场景　22
2.2 关键技术原理　23
2.3 开发捏脸模拟器　24
2.3.1 制作三维模型　24
2.3.2 定义捏脸数据　25
2.3.3 模型形变控制　26
2.3.4 头发类型控制　27
2.3.5 用户交互界面　30
2.3.6 提取面部关键点　31
2.4 数据集和归一化　36
2.4.1 数据集生成　36
2.4.2 人脸关键点归一化　40
2.5 脸型参数预测　43
2.5.1 神经网络结构的设计　43
2.5.2 数据集类的实现　45
2.5.3 训练器的实现　48
2.5.4 预测器的实现　53
2.6 与真实人脸的风格化对齐　55
2.6.1 提取真实人脸的关键点　56
2.6.2 统计分析风格化的差异　58
2.7 发型分类器的构建　60
2.7.1 数据集的准备　60
2.7.2 数据集类的实现　62
2.7.3 卷积神经网络模型的设计　64
2.7.4 训练器的实现　66
2.7.5 预测器的实现　70
2.8 发型分类器的调优　72
2.8.1 解决数据类别不均衡问题　73
2.8.2 解决训练数据不足问题　75
2.8.3 使用预训练模型进行迁移学习　76
2.9 管线整合　80
2.10 总结　82
第3章 在网格寻路中入门强化学习　84
3.1 解读游戏场景　84
3.2 关键技术原理　85
3.3 开发网格寻路游戏　85
3.3.1 设定游戏状态　85
3.3.2 创建地图　86
3.3.3 动作执行　87
3.3.4 实现游戏主循环　88
3.4 基础的强化学习训练　89
3.4.1 标准强化学习环境的三要素　90
3.4.2 动作空间和观测空间　92
3.4.3 奖励函数　94
3.4.4 训练模型　95
3.4.5 评估效果　97
3.5 奖励函数的优化　98
3.5.1 分析训练失败的原因　98
3.5.2 奖励函数的改进　99
3.5.3 验证智能体玩游戏的效果　101
3.6 四种进阶技术　102
3.6.1 使用TensorBoard监控训练　102
3.6.2 Stable Baselines3同时运行多个环境　102
3.6.3 回调训练过程的数据监控　104
3.6.4 自定义网络结构　107
3.7 总结　108
第4章 三消游戏关卡的智能生成　109
4.1 解读游戏场景　109
4.2 关键技术原理　110
4.3 开发基础版三消游戏　111
4.3.1 定义基础配置　111
4.3.2 实现核心逻辑　112
4.3.3 实现交互逻辑　113
4.3.4 匹配和消除　115
4.3.5 人工测试　117
4.4 开发游戏智能体　118
4.4.1 基于贪婪策略的决策逻辑　118
4.4.2 自动化的流程评估　119
4.5 强化学习生成关卡　120
4.5.1 环境类设计　120
4.5.2 动作空间　122
4.5.3 状态表示与观测空间　123
4.5.4 动作执行　124
4.5.5 奖励函数设计　125
4.5.6 实现训练器　127
4.5.7 制作关卡生成器　129
4.6 模型泛化能力的优化　131
4.6.1 生成多种难度关卡　131
4.6.2 扩展棋盘尺寸　132
4.6.3 关键参数调优　133
4.6.4 改进奖励机制　134
4.7 总结　136
第5章 可交互的智能NPC　137
5.1 解读游戏场景　137
5.2 关键技术原理　138
5.2.1 消息处理流程　138
5.2.2 接入通义模型　139
5.2.3 游戏系统说明　140
5.3 搭建LLM通信基础　142
5.3.1 定义API数据结构　142
5.3.2 实现HTTP通信客户端　143
5.3.3 验证第一轮对话　144
5.4 实现闲聊功能　145
5.4.1 扩展闲聊通信接口　145
5.4.2 角色性格塑造　147
5.4.3 对话记忆管理　148
5.4.4 识别目标角色　149
5.4.5 整合对话流程　150
5.5 理解动作指令　152
5.5.1 Function Calling技术　153
5.5.2 意图识别　155
5.5.3 游戏动作封装　157
5.5.4 工具注册和管理　160
5.5.5 收集场景信息　161
5.5.6 整合所有流程　162
5.6 总结　166
第6章 考量平衡性的阵容挖掘与推荐　167
6.1 解读游戏场景　167
6.2 关键技术原理　168
6.3 开发对战模拟器　169
6.3.1 战斗功能概览　169
6.3.2 核心类结构设计　173
6.3.3 HTTP API　175
6.3.4 HTTP客户端　176
6.4 基于遗传算法的阵容挖掘　186
6.4.1 队伍个体的设计　187
6.4.2 遗传算法的主体实现　191
6.4.3 适应度函数的基础设计　193
6.4.4 “轮盘赌”和“锦标赛”的选择策略　195
6.4.5 交叉和变异　196
6.4.6 进化流程的整合　198
6.4.7 挖掘效果的验证　199
6.4.8 适应度函数的优化设计　201
6.4.9 动态的教练队伍机制　205
6.5 基于强化学习的阵容推荐　207
6.5.1 转化为序列决策问题　208
6.5.2 环境设计　209
6.5.3 状态空间表示　212
6.5.4 动作空间表示　215
6.5.5 单步执行与状态转移　215
6.5.6 奖励函数设计　218
6.5.7 预测器与实时推荐　219
6.5.8 模型训练和效果验证　220
6.5.9 强化学习中的动态教练机制　224
6.5.10 应对有限英雄池的挑战　228
6.6 总结　231
第7章 视频动作生成　232
7.1 解读游戏场景　232
7.2 关键技术原理　233
7.3 提取姿态关键点　234
7.3.1 构建姿态提取器　234
7.3.2 直接导入骨骼位置的错误示范　236
7.4 用LookRotation控制骨骼方向　240
7.4.1 基础旋转控制　240
7.4.2 让y轴指向目标方向　244
7.4.3 手臂骨骼控制　246
7.5 读取MediaPipe姿态数据　249
7.5.1 定义MediaPipe数据结构　249
7.5.2 实现数据读取器　251
7.5.3 实现姿态可视化　253
7.6 Unity骨骼控制动画　255
7.6.1 设计骨骼旋转计算的代码框架　255
7.6.2 实现右臂的骨骼控制　256
7.6.3 建立动画播放系统　259
7.6.4 实现腿部的骨骼控制　261
7.6.5 实现躯干的骨骼控制　264
7.7 动画优化与适配　269
7.7.1 平滑插值优化　269
7.7.2 角色位置调整　269
7.7.3 骨骼旋转约束　271
7.7.4 任意3D模型适配　275
7.8 AI姿态检测的技术原理　277
7.9 总结　279
第8章 未来之路　280
8.1 智能资源生产　280
8.2 软件工程模式创新　281
8.3 游戏自动推演及调优　282
8.4 游戏引擎重构　283
8.5 总结　284
后记　285

05 了解更多

---

《AI 重塑游戏开发》：
https://item.jd.com/14816155.html