让AI VTuber学会玩Among UsNeuro-AmongUs插件从安装到训练完整指南【免费下载链接】neuro-amongusAmong Us Plugin for Neuro-sama项目地址: https://gitcode.com/gh_mirrors/ne/neuro-amongus凌晨两点飞船的电灯忽明忽暗。船员们围在餐厅里争论谁偷偷开了紧急会议人群边缘一个叫Neuro-sama的AI VTuber正不动声色地记着每个人的位置。对它来说这局《Among Us》不是游戏而是一场生存考试。Neuro-AmongUs这个开源插件正是为了把这位AI主播真正送上太空狼人杀的飞船而诞生的。它到底是个什么项目一句话看懂Neuro-AmongUsNeuro-AmongUs是一个专为AI VTuber Neuro-sama开发的Among Us模组Mod它的目标很朴素先让插件在游戏里完整记录战局数据再用这些数据训练神经网络最后让AI不仅能看懂游戏还能真的控制角色移动、完成任务、甚至在关键时刻按下报告按钮。它适合三类人想看AI玩社交推理游戏的围观群众、想研究游戏数据采集→模型训练→实时决策全链路的技术爱好者以及愿意为项目贡献求解器、训练脚本的开源玩家。三步跑通最小示例从空仓库到跑起一局我们不需要一次性打通AI全自动操控的终极形态先跑通最基础的一环——让插件录下一整局游戏。这一步是后面所有训练的原材料。第一步摆好舞台Among Us的模组生态依赖两个框架BepInEx负责把代码注入游戏和ReactorAmong Us社区标准的模组开发库。好消息是仓库的Installer/Dependencies目录里已经打包好了这两样东西包括BepInEx 6.0的IL2CPP版本和Reactor.dll你不需要再去网上逐个找版本直接按README的指引从Installer/安装即可。此外还需要安装.NET 6.0 SDK它是编译C#插件的基础。第二步编译插件克隆仓库地址https://gitcode.com/gh_mirrors/ne/neuro-amongus 用Visual Studio或JetBrains Rider打开Neuro.sln。最关键的一步在Neuro/Neuro.csproj在PropertyGroup节点里加一行输出路径把编译产物直接指向Among Us的插件目录例如OutputPath你的游戏路径\Among Us\BepInEx\plugins/OutputPath。这样编译完Neuro.dll会自动落位。第三步跑一局并验收启动Among Us随便进一局正常对局。插件会在后台自动开始工作——你不需要做任何操作。对局结束后去BepInEx\plugins\NeuroRecordings\目录看看会发现以时间戳命名的.gymbag2文件。这就是插件的作业本它用protobuf格式把每一帧的玩家位置、任务状态、尸体位置、地图信息都记了下来。录到文件说明最小闭环已经打通。顺便一提上面这张图是Installer里随附的Neuro-sama立绘——想象一下等AI真的学会玩之后被投出飞船时大概就是这个表情了。拆开看看AI到底是怎么看见游戏的要让AI玩游戏本质上要解决三件事看得见、听得懂、动得了。Neuro-AmongUs用三个模块漂亮地分工。角色一勤快的录音笔Neuro/Recording/Recorder.cs是那位从不休息的录音笔。游戏每帧更新时它把当前状态打包成一份FrameNeuro/Recording/Frame.cs——里面装着本机玩家数据、其他玩家、尸体、地图门和管道、任务进度等子记录器分别采集的信息——序列化成二进制流写进.gymbag2文件。它只记录发生了什么不判断该怎么做就像学生上课只负责记笔记不负责解题。笔记记得越全AI复习时能学到的就越多。角色二守时的快递员当游戏想实时指挥AI时接力棒就交给Neuro/Communication/AmongUsAI/CommunicationHandler.cs。它开了一条WebSocket通道像快递员一样来回送件把游戏帧送到运行在电脑上的Python程序再把Python算出的NNOutput想要的移动方向、是否报告尸体、是否刀人、是否钻管道带回来最后直接触发游戏里的按钮——按下报告键、点击击杀键就这么简单粗暴。角色三看录像学开车的新司机AI/目录就是这位新司机的驾校。data/converter.py负责把protobuf帧翻译成神经网络能吃的数字数组把枚举、坐标、任务数据统统转成向量nn/dataset.py把一堆录像打包成训练集nn/model.py里定义了两套模型——轻量的Model和更强的LSTMModelLSTM擅长处理时序记住刚才发生了什么这正是游戏决策需要的记忆能力train_model.py负责监督学习训练finetune_model.py则在已有模型上做定向微调。整个流程可以理解成录像是教练示范网络是学员损失函数是教练手里的评分表而WebSocket是教练的耳机。为什么这样设计因为先记录、后训练、再接管是一条务实的演进路线如果一开始就让AI上手玩它连游戏都没见过只会乱走先积累大量人类玩家的真实操作录像再让模型模仿成功率高得多。这也解释了为什么Recorder.cs里写着一旦检测到实时连接就停止录制——录制模式与实时模式共用同一套数据管道切换成本极低。玩出花样三个让AI更有灵性的自定义方向方向一给AI加新技能。Neuro/Minigames/Solvers/目录下已经有50多个小游戏求解器修电线、校准分配器、启动反应堆等每个都实现IMinigameSolver接口并挂上MinigameSolverAttribute。你可以照着FixWiringSolver.cs的写法为新增任务写一个自己的求解器让AI会玩的新玩法又多一个。方向二训练一个专注刀人的模型。finetune_model.py里藏着一个很聪明的curation策略只保留玩家正在击杀的样本再混入等量的随机样本人为提高关键行为在数据集里的比例。这让AI从什么都学变成重点补课对打磨特定行为非常有效。方向三清理自己的数据集。录多了之后AI/rename_recordings.py可以给录像批量改名AI/convert_file_test.py等测试脚本能帮你验证转换链路是否正常。数据干净了训练出的模型才不会学歪。避开新手最常踩的3个坑坑一BepInEx版本装错导致插件不加载。项目基于IL2CPP构建混入Mono版BepInEx会直接失效。解决办法是直接使用仓库Installer/Dependencies里自带的BepInEx 6.0 IL2CPP构建别去官网下最新版凑合。坑二录了半天文件却被删了。Recorder.cs对小于约100KB的录像会直接删除——这是为了滤掉无效对局。如果你发现NeuroRecordings目录总是空的先检查是否整局都卡在会议、小游戏或死亡状态这些时候录制器是暂停的先确认自己真的完整跑完了一局。坑三Python侧读不了录像。.gymbag2依赖特定分支的python-betterproto支持pickle序列化方法的版本。README里明确要求先安装那个特殊分支普通PyPI版本会在读取帧时直接报错。装对依赖AI/下的脚本才能顺利跑起来。写在最后下一局让AI来玩Neuro-AmongUs最迷人的地方在于它把一条完整的技术流水线浓缩进一个游戏里数据采集Recording、格式转换converter、神经网络训练model.py train_model.py、实时推理WebSocket通信全都有现成的开源实现。对初学者来说它是看得见、摸得着的AI入门教材对贡献者来说50多个求解器和完整的训练脚本意味着有大量可下手的空间。下一个夜晚当你再看到飞船里那个安静的身影时也许它已经学会在投票环节前故意站到尸体旁边——然后一脸无辜地按下报告键。那会是一个AI真正融入这场社交推理游戏的时刻。而你要做的就是clone下这份代码跑完一局然后静静等待它长大。【免费下载链接】neuro-amongusAmong Us Plugin for Neuro-sama项目地址: https://gitcode.com/gh_mirrors/ne/neuro-amongus创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
