手把手拆解 Neuro-AmongUs 插件让 AI 主播 Neuro-sama 亲手打完一局太空狼人杀【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如果说看别人玩《Among Us》已经够上头那看一个 AI 主播自己打完整局就是双倍刺激。Neuro-AmongUs 插件正是为此而生——它让虚拟主播 Neuro-sama 真正走进游戏自己走路、做任务、开会投票甚至在拿到内鬼身份时演戏骗人。这个开源项目把「AI 打游戏」这件听起来像科幻的事变成了你今晚就能跑起来的东西。先说痛点为什么让 AI 玩 Among Us 那么难《Among Us》表面是狼人杀本质是「看得懂人话、玩得了心眼」的社交推理游戏。传统游戏 AI 只需要学操作比如吃豆人学会转弯就赢了但太空狼人杀需要 AI 同时做到三件事看得见知道自己在哪、队友在哪、谁刚开了会议、谁被刀了想明白根据局势决定下一步是去做任务、修反应堆还是尾随某人动得了把决定翻译成角色手里的操作包括开门、修电线、进管道这些细节。任何一环缺失AI 就只能在游戏里原地打转。Neuro-AmongUs 的思路很朴素先让插件当「记录员」攒数据再让模型拿这些数据长大最后回到游戏里反过来操控角色。三步对应眼睛、脑子、手。给 AI 装上一双眼睛插件是怎么“偷看”游戏的项目里最让我觉得巧妙的是它把「录游戏」做成了工业化流水线。在Neuro/Recording/目录下每一个观察对象都有一个专属记录器本地玩家在干嘛、其他玩家在哪、任务做到哪一步、尸体出现在哪个房间、地图上的门和管道怎么分布全部拆开记录再打包成统一格式的帧frame一帧一帧往外传。你可以把它理解成给 AI 雇了一位随行摄像师不用直播整块屏幕而是只挑关键信息打标签——「现在正在开会」「这家伙刚才按了紧急按钮」「死者倒在了电气室」。每局游戏结束这些带标签的记录就成了训练素材跟黑匣子一样忠实。有意思的是项目还专门给地图、系统类型、角色类型这些概念做了统一的定义文件MapType.proto、RoleType.proto这类。这意味着数据格式是稳定、可解析的为后面训练模型省掉了大量清洗工作。让 AI 长出脑子再伸出一双手数据攒够了真正的重头戏在AI/目录里。项目用的是 PyTorch 加 LSTM 网络LSTM 这种结构天生擅长处理「带先后顺序」的信息正好对应游戏里一环扣一环的决策链——先看见尸体再决定要不要报警报警之后该怎么说。训练跑通之后AI 回到游戏里靠的是Neuro/Communication/AmongUsAI/下的通信模块。它和游戏开了一条 WebSocket 通道游戏把当前帧打包发给模型模型回传一个决策包里面装着「往哪个方向走」「要不要按报警键」「要不要挥刀」「要不要钻管道」这几个动作。看到这里你大概明白了这套设计的妙处在于把复杂决策简化成了几个明确动作模型不用去记成千上万种鼠标轨迹压力全在「判断」上。至于那些需要手速和眼力的活比如修线路、校准分配器、启动反应堆项目用 50 多个小游戏求解器Neuro/Minigames/Solvers/直接接管。AI 只要负责决定「去做哪个任务」具体操作交给求解器配合路径规划模块角色就能像老玩家一样在星图上流畅跑图。自己上手跑一遍我替你踩过的坑说一千道一万能跑起来才是真本事。上手流程比想象中简单但有几个坑值得提前知道。依赖顺序别搞反先装 BepInEx要选 IL2CPP 版本这跟 Among Us 的实现方式有关再装 Reactor 模组支持最后确保电脑里有 .NET 6.0 SDK。顺序错了插件加载时容易直接静默失败。编译好别放错地方用 Visual Studio 或 JetBrains Rider 打开Neuro.sln编译把生成的Neuro.dll放进游戏的BepInEx/plugins/目录。项目在Neuro.csproj里留了个OutputPath的配置位把输出路径直接指到游戏插件文件夹以后每次编译自动部署省得手动复制。编译配置有讲究项目提供了DebugDataCollection和DebugFull两套配置。前者只录数据不做决策适合你刚入门、想攒训练集的时候用后者才会真正接上 AI 玩完整局。第一次跑建议先从数据收集模式开始。AI 侧别漏依赖Python 环境要装好requirements.txt里的包再按 README 处理 betterproto 的安装方式不然反序列化游戏帧会报错。我第一次跑通时也折腾了一晚上卡点基本都在这几个地方。对照着来半小时内应该能看到角色在 AI 的指挥下动起来。进阶玩法想让你的 AI 更聪明可以自己造玩熟了之后你会发现这个项目最慷慨的地方是它把「如何训练一个游戏 AI」完整地摊开了给你看。AI/train_model.py负责从录制数据里训练模型finetune_model.py能在已有模型基础上继续微调visualise.py帮你把模型的判断过程画出来。如果你想换一种打法或者发现 AI 老在某张地图上犯傻完全可以自己多录几局针对性数据重新训练一版只属于你的模型。想加自定义玩法也有一条清晰的路小游戏求解器实现了统一的IMinigameSolver接口再用MinigameSolverAttribute注册新求解器就能被自动发现想改 AI 的行为习惯则去动Neuro/Impostor/下的内鬼处理、会议发言和破坏系统处理三个模块。整个项目像搭积木一样每一块都可以单独替换。收尾它到底适合谁如果你只是图一乐想看 AI 主播在太空狼人杀里出洋相装上插件就能收获快乐如果你是做 AI 或游戏开发的学生这个项目则是一份少见的完整样例——从数据录制、协议设计、模型训练到游戏内决策一整条链路都有真实代码可参考。找个周末装上 BepInEx 和 Reactor编译一版Neuro.dll你会亲眼看到那个曾经只会聊天的虚拟主播真的开始思考今晚该刀谁了。【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
