離職字節，他研究7000款Steam產品，去騰訊拿下游戲大賽AI金獎
前不久的2026光子游戲大賽上，喵吉託工作室的《喵嗚島》拿下了AI賽道的金獎。
兩個月前採訪喵吉託創始人李馳時，葡萄君還沒想到它能有這樣的完成度——喵吉託是國內較早All in AI原生遊戲的團隊，他們曾靠內部AI生成工具Meowa，賺到了創業三年來第一筆錢，但是一直沒有商業成績突出的遊戲。
李馳告訴我，此前爲了探索AI如何與遊戲結合，他們做過二三十個原型，大部分被砍掉。
直到做出《喵嗚島》，他們終於能和傳統遊戲做出明顯差異，同時讓遊戲好玩。
他的團隊沒有傳統遊戲研發背景，從一開始就在搭建AI Native的管線，嘗試把更多工作交給AI。
他們甚至整理研究了大約7000款評價過千的Steam遊戲，從論壇、Wiki和社區收集它們的玩法、核心循環、系統模塊和玩家反饋，經過清洗後沉澱到內部知識庫，做了一個策劃Agent。李馳說，他們的遊戲研發像大模型調參，人有了想法之後，從遊戲框架到具體參數，都來自AI，哪怕團隊未必能解釋每個參數爲什麼這樣設置……
這些動作在一些傳統遊戲策劃聽起來，可能有些太過激進。
但落到《喵嗚島》裏，喵吉託在種田、釣魚、開餐廳的生活模擬框架基礎上，增加了擁有了記憶和自主行動能力的貓Agent，這帶來了和傳統遊戲很不一樣的體驗——你真的會感覺到貓貓有生命。
01
讓世界與玩家有關
不看AI部分，《喵嗚島》是一款非常典型的島建生活模擬遊戲：玩家種田、釣魚，用收集到的資源開餐廳、提升技能、裝飾島嶼，逐步把島嶼建設成型；將來遊戲還會上線聯機模式，玩家可以造訪朋友的島。
李馳把這些稱作「老的一套」：如果沒有AI，《喵嗚島》「肯定是個很普通的遊戲。」但AI的加入，讓島上的關係、事件和表達方式都發生了變化。
基於自研的AI NPC引擎，《喵嗚島》把遊戲中的幾十種貓做成Agent。它們生活在島上，與玩家對話，理解玩家的言行和所處環境，從而決定記住什麼、想做什麼，以及怎樣回應。
「喜歡先完成小目標」這個信息，在多處出現
（左右滑動查看）
李馳舉了個例子：玩家和貓聊天，說自己釣到了一條特別大的藍鯨，貓不只會馬上接一句誇讚，還會記住這件事，並可能把它變成目標——成爲像主人一樣、能釣到藍鯨的釣魚高手。
乍一看，你可能覺得，這是一款「能跟貓聊天」的遊戲而已。但每隻貓都有自己的技能，能夠把目標落實爲種田、釣魚、做飯或建造等具體動作。
貓的技能面板
比如，我給菜地澆水時，貓看到了，會覺得我在幫忙，於是幫我做一頓飯；我在雨裏獨自釣魚時，貓會到身邊陪我；開了餐館後，貓還會幫忙接待客人……
貓會吐槽沒釣到魚
中後期貓變多、技能等級提升後，還能看到一羣貓忙前忙後的景象。
李馳稱這種能力爲「情商」：貓不只等玩家下指令，還會判斷玩家在做什麼、可能需要什麼，甚至提前幫忙。
在他看來，這是AI和遊戲結合中最重要的一點：玩家必須感受到世界「與我有關」；自己的行爲會影響貓，它們也會自主行動，在互動中湧現出只屬於玩家的故事。
貓貓互動場景（左右滑動查看）
因爲語氣太生硬被貓抱怨
在這些互動中，玩家的優先級很高。不過，我遊玩時有時也覺得貓實在太多，整天被圍着轉，有些喫不消……李馳告訴我，爲避免事件太密把玩家搞累，或太久沒變化顯得無聊，團隊還研發了一個導演Agent，在幕後控制節奏。
貓想發起事件時，導演會根據玩家最近狀態決定是否放行：若玩家剛經歷一連串事件，系統就先緩一緩；若一段時間沒發生有意思的事，導演就讓合適的貓出來製造一點變化。
AI在這裏的意義，不只是讓團隊少寫行爲樹，更重要的是，開發者給AI定下基本規則後，它能在未被明確設計的場景裏自行判斷，從而爲玩家創造湧現體驗。
AI在《喵嗚島》中的另一個作用，是賦予玩家創造能力——通過領養貓貓、升級島嶼等動作，玩家能獲得「許願」機會。
看到對話框你應該能明白，所謂許願，是玩家給系統發一段提示詞，讓它生成一個傢俱資產。
葡萄君許願的自動寫稿機和金葡萄獎盃
但這種自由一旦放得太開，也可能會挫傷模擬經營最基本的目標感。
《喵嗚島》的設計，是增加普通傢俱和資源獎勵，維持傳統的升級解鎖循環，同時讓AI生成作爲高投入、高回報的獎勵。
李馳把這套互動框架比作一臺永動機。傳統遊戲需要持續追加內容，才能給玩家帶來新的體驗；而在《喵嗚島》裏，貓的記憶、行爲和事件變化，加上AI生成的傢俱，如果這套框架能夠搭建起來，可以源源不斷創造出新的體驗。
在喵吉託的規劃裏，遊戲接下來還會上架島嶼排行榜「貓貓點評」，玩家和AI貓貓都可以在上面給島嶼打分、寫評論、互動和聊天。
假以時日，他們還希望玩家會在遊戲中收穫幸福、寄託感情，和這些數字生命建立起連接；AI之間也會建立起友誼、競爭之類的複雜關係，乃至發展出一個線上社會。
這些願景離落地或許還有一些距離，但葡萄君最近和李馳聊了聊，感受到了他們在AI遊戲開發這件事上的執着：比如《喵嗚島》的點子3年前就有了，他們一直在爲之準備；他們從一開始就使用AI Native管線，並且相信遊戲開發已經進入大模型時代……以下是經整理的採訪內容。
02
不要用AI挑戰
傳統遊戲的成熟領域
葡萄君：《喵嗚島》的點子是怎麼來的？
李馳：2023年斯坦福小鎮火起來後，我們基於字節內部的體素沙盒項目做過一個AI小鎮。
我們把30多名字節員工做成Agent放進去，測試下來挺有梗、挺好玩的。兩個Agent會從陌生到成爲朋友，甚至戀愛、分手、吵架。因爲Agent帶着同事的身份，大家會每天去看自己的Agent怎麼樣了，有點像數字分身。
斯坦福小鎮，25個AI智能體生活了2天
我們還彙報給了字節領導層，他們也覺得這個項目很有意思。
葡萄君：那它爲什麼沒有在字節孵化出來？
李馳：這個項目的目標，是驗證湧現能不能成立，在這一點上它是成功的。但它最大的問題是無法商業化。
這些內容只有實時發生，玩家纔會覺得有意思，但是依靠當時的AI能力，實時推理每輪都要等上5到10秒；一大批Agent反覆調用，成本也很高。
更重要的是，技術能跑起來，只說明第一步成立，最後還是要看玩家能不能持續獲得有趣體驗。
有趣的湧現不會一直高密度出現，玩家可能等很久才碰到一次真正的驚喜。完全靠AI自主行動，有時產生的東西沒那麼有趣。
我是技術出身，當時對遊戲理解不深，解決不了這個問題，項目就一直擱置了。
葡萄君：到什麼時候，你覺得可以重新做這件事了？
李馳：在2025年下半年，AI成本比2023年下降了大概100倍，我們估計做一個遊玩時長20小時的遊戲，可能只需要幾千萬Token，就是幾塊錢；等到遊戲上線的時候，成本會更低。
Agent能力也有了明顯提升。Coding Agent在理解任務、執行指令這些事上已經有了明顯突破。相比代碼生成，我們做的是遊戲裏的Agent，對智能的要求未必更高，所以我們判斷有機會勝任。
另外，Gemini的Nano Banana生圖模型也在這一年面世，AI在圖像生成能力上有了非常大的突破，實時生成品質對遊戲來說可用了。
在這些技術門檻先後得到了突破後，我們認爲是時候讓Agent變得更好玩了。
葡萄君：怎麼實現好玩呢？
李馳：到那個階段，我有了一個初步判斷：AI遊戲更適合面向願意表達的玩家，他們願意把自己的想法放進遊戲裏。
葡萄君：這類玩家喜歡打字、對話這樣的交互。
李馳：對。我們之前也做過一個《言靈計劃》，來嘗試表達的樂趣。我們得到了很割裂的信號：玩家會上傳自己家的貓狗照片，生成一個「寶可夢」，戰鬥時還會繼續玩貓相關的梗；但沒有表達欲的人，可能完全感受不到這裏面的樂趣。
《言靈計劃》
葡萄君：市場沒有想象中大。
李馳：至少在我們當時的國內測試裏，願意主動表達的玩家還是比較少，可能都不到10%。
再加上當時圖片生成效果還比較一般，摳圖不乾淨，只能生成靜態圖；團隊當時做遊戲的能力不夠成熟，即使是願意表達的用戶，也未必願意爲產品買單。所以《言靈計劃》沒有繼續往下推。
後來我們一邊積累做遊戲的經驗，一邊繼續找AI最適合承載哪種樂趣。
我們大約做過二三十個各種方向的遊戲原型代碼，其中包括文字冒險、跑團等，大部分最後都砍掉了。現在能被外界看到的，要麼拿過獎，要麼是內部測試相對成立、我們希望獲得外部反饋的產品。
葡萄君：這麼多？你們還嘗試過什麼方向？
李馳：我們做過一個AI恐怖遊戲，它參考了《直到黎明》的思路：最開始會有一隻小寵物和玩家聊天，問他的朋友、愛好和經歷，本質上是在收集他喜歡什麼、討厭什麼。
《直到黎明》
遊戲會在這個過程裏，瞭解玩家真正害怕什麼，比如蜘蛛、狼人或其他恐懼點，再針對玩家最害怕的那個點，做千人千面的恐怖體驗。
葡萄君：聽上去，玩家很容易在問答階段流失。
李馳：是的，問題不僅如此。
這個方向技術上可以做，能實現個性化，但個性化不等於體驗就成立。我們後來覺得，恐怖遊戲確實有機會和AI結合，但要做好特別難。我們當時也不具備做3D的能力，只能做2D恐怖體驗，還是依賴文字和劇情，AI能參與的空間有限。
葡萄君：爲什麼參與空間會受限？
李馳：更明顯的例子是《圓圓滾滾大農場》。它類似於《堆疊大陸》加上一些《幸運房東》的要素，做到一半的時候，我們發現項目很難和AI結合——我們嘗試讓AI改變卡牌外形，另外讓它在技能和屬性上有些變化，但數值怎麼都調不好。遊戲最終完成了，但AI玩法都砍掉了。
它給了我一個很明確的信息：絕對不要用AI去挑戰遊戲行業已經很成熟的領域，比如數值、策略和精細的系統架構，應該去挑戰傳統遊戲沒有涉及的、空間更大的領域。
葡萄君：最後是怎麼回到了現在的方向的？
李馳：到2025年，像《心動小鎮》這些以表達爲核心樂趣的遊戲，做得都還可以，我們也感覺到這部分人羣和消費需求在增長，市場可能在往我們期待的方向走，所以決定做一款表達向的遊戲。
《心動小鎮》
我們考慮過傳統遊戲中適合表達的類型，比如文字遊戲、跑團，它們有明確受衆，但市場太小了，上限很低；還有換裝和島建玩法，它們留了下來。我們更想做一種有跑團式湧現、但也有畫面和主軸的遊戲：玩家不是單純觀察世界變化，而是始終有事情可做。
最後，這就成了《喵嗚島》的兩個方向：表達，以及湧現。
03
遊戲進入大模型時代
葡萄君：聽上去，你們一直在摸索AI應用方面的事情，傳統的遊戲開發經驗並不多？
李馳：確實，我們都沒有傳統遊戲研發背景。我在字節時和遊戲團隊合作過，沒自己喫過豬肉，只看過豬跑；我業餘開發過一些Game Jam級別的小遊戲，但沒有正經開發、上線過一款完整的Steam遊戲。
葡萄君：你們會擔心自己的經驗不夠豐富嗎？怎麼解決這個問題？
李馳：傳統策劃玩過很多遊戲後，會在腦中形成一套模型，知道某種體驗爲什麼好、某個系統爲什麼不好。我們想把這些經驗從個人大腦裏外化出來，變成團隊可以持續使用和修正的資產。
葡萄君：「外化」聽起來很抽象……
李馳：具體來說，我們整理了大量評價過千的Steam遊戲，差不多7000款。
我們從論壇、Wiki和社區收集它們的玩法、核心循環、系統模塊和玩家反饋，經過清洗後沉澱到內部知識庫。這個知識庫還能從「好玩」或「不好玩」繼續往下映射，看看究竟是系統架構、數值，還是其他設計因素造成的。
有了這個知識庫，再結合AI，我們以後開發任何遊戲、驗證任何玩法的時候，不僅可以知道某款遊戲口碑如何，還能分析哪些部分值得借鑑、哪些問題可能再次出現。
葡萄君：會不會擔心這有一點紙上談兵？
李馳：當然，如果直接找通用模型驗證想法，很難得到足夠精確的結果，有些回答看起來合理，實際可能是臆想出來的。
所以我們的思路很明確，就是把開發遊戲當成訓模型，我們的每個遊戲都是一個神經網絡模型，我們定義好一個架構，然後調參。這個架構本質上來自我們的知識庫，至少在我們不熟悉的領域，我們不會從零到一去建一個新的架構。
我們設計遊戲的時候，會先去找相關的遊戲，看它們的架構是什麼樣子，然後比較A、B、C幾套架構。我們會把幾款遊戲中做得好的部分融合起來，同時規避它們設計上的限制，最終得到一個架構。AI比較擅長分析和融合已有架構，可以幫助我們識別這些限制。
葡萄君：可以舉個例子嗎？
李馳：比如我們想設計一個每日刷新商品的商店，可能就會在知識庫提問：其他遊戲是怎麼做的？他們爲什麼會這麼設計？設計的細節是什麼？更新頻率是什麼樣的？商店會有多少個模塊是可以每日更新的？
葡萄君：那人會做些什麼呢？
李馳：在設計架構上，AI不擅長從零到一，人才是發起者。需要人先有架構設計的動機，提出幾條可能的路徑，再由AI分析這些路徑的可行性、好處和壞處，以及歷史上其他遊戲怎麼處理類似問題。最後選哪條路徑、怎麼組合，仍然由人決定。
第二步就是調參。調參的過程中，我們會不斷參考知識庫裏其他遊戲的參數，架構也會或多或少地微調，但大的模塊基本已經定型了。
葡萄君：你跟傳統策劃聊過這套方法嗎？
李馳：聊過。我接觸到的不少傳統策劃會覺得它很新、很反傳統。他們希望在最開始就把架構設計清楚，能解釋每個參數背後的理念。
葡萄君：你怎麼理解兩種工作模式的差異？
李馳：這可能是遊戲的歷史發展規律。早期遊戲系統比較簡單，一個人可以完整想清楚；做遊戲的時候，絕大多數傳統遊戲的策劃，需要很清楚架構中的每一個參數，理解這些設計背後的理念和原因。
但現在系統越來越多，只靠一個人或幾個人，很難在最開始規劃全部細節——現在遊戲進入大模型時代了，大模型就是黑箱，要不斷地調參、迭代和試錯，找到最優解，很有可能一個最優解的參數，你自己也不知道爲什麼這麼設置。
葡萄君：但是純數據或許會掩蓋產品本身的實際情況。
李馳：當然不能只看數據。AI做的更多是幫你收斂參數的範圍，然後你再人工體驗，憑主觀感受做出最終的決定。
葡萄君：那知識庫裏的數據本身不準怎麼辦？
李馳：所以數據清洗非常重要，你一定要自己去玩，然後校正。比如有玩家說某個遊戲「系統太垃圾，數值炸」，但如果你玩過，知道它的數值設計實際很好，就可以判定這是一條髒數據。
葡萄君：那負責數據清洗的人，需要自己玩過這全部的7000款遊戲嗎？
李馳：這件事需要持續做。我們會給數據劃分置信度和權重。被打了高置信度的信息，我們會給它高權重，優先依賴這些數據，幫助縮小探索的區間，這是第一輪分析；
低置信度信息會放到後面的分析裏再參考，因爲第二輪分析的時候，還有很多細節要微調，需要人工確認。
葡萄君：這些人工校準由誰來做？
李馳：我們的一位遊戲策劃是中傳遊戲設計系畢業的，各個品類的遊戲他都有涉獵，我們拿不準的設計問題，會去聽聽他的想法，再做交叉驗證。
葡萄君：這倒像傳統的策劃流程了。
李馳：差不多。我們和傳統策劃最大的區別，主要在驗證環節。
傳統策劃有了一個想法，可能會先去玩同品類遊戲，把信息積累在腦子裏，寫方案，和製作人討論，最後再得出結論。我們則會先和策劃Agent溝通，從知識庫裏找相關遊戲和案例，用這部分工作替代大量前期的試玩和搜索。
這樣效率會更高，尤其是現在要玩的遊戲越來越多，時間成本很高。相應的代價，是你對某一款遊戲的感知未必那麼具體，更多獲得的是偏數據層面的判斷。
04
AI Native的研發管線
葡萄君：在策劃方面，你們很信任AI，那在製作方面呢？
李馳：我們希望儘可能搭一套AI Native的研發管線。現在有時也會先把管線搭出來，再往下做產品。
Meowa裏的美術管線就是其中一部分。我們做像素版《喵嗚島》時，裏面的資產基本都是通過這套管線生成的。
早期像素版《喵嗚島》
一開始，AI管線還不成熟，需要人把流程走通，有了從0到1的完整路徑以後，再看哪些斷點能用AI解決。
目前提方案、設定原則等前期部分還需要大量人來做，中間大部分環節可以交給AI，最後的驗收也仍然需要人。
葡萄君：聊聊更具體的環節吧，比如在美術方面，很多人會認爲AI沒辦法理解那些主觀感受上的東西。
李馳：我覺得AI和人的理解路徑不一樣。它能畫出不錯的東西，但結果和訓練數據有很大關係；你還要知道怎樣用提示詞激活它效果最好的一面。
核心不是把它當成一個真實的美術去聊，而是先理解它背後的原理，用它更容易理解的方式去表達要求。
我對AI美術的長期能力還是樂觀的，現在AI影視已經很火了。但前提是使用AI的人自己也要有足夠好的審美，能判斷結果好不好，並把這個判斷傳遞給它。
葡萄君：那你們會如何讓程序工作和AI結合？
李馳：程序這塊其實比較簡單，核心就是用當前能力最強的模型。
我們沒有在程序上搭太多額外的東西，主要是寫了很多AGENTS.md文檔，去規範這些Agent在項目裏應該怎麼做事：比如開發要儘可能簡潔，非必要不引入新變量；遊戲裏有哪些具體模塊、應該遵守什麼規範。
這樣Agent在開發時，會盡量按照已有的模塊和邊界來做，避免不同模塊之間互相纏繞。
我們沒有搭特別複雜的固定管線，因爲模型迭代很快，基於當前模型設計的一套流程，到下一代模型上可能就沒有意義了。把項目自身的規範和邊界沉澱下來，比綁定某一代模型更有價值。
葡萄君：那不同工種之間，現在怎麼協作？
李馳：以前協作主要靠人開會，策劃、程序得重複寫文檔。現在更多靠Agent：人先和策劃Agent聊清楚需求，後者會把文檔寫出來，且寫得更完整、也更符合下游需要，隨後便可以直接交給開發Agent執行。
葡萄君：這中間不需要人蔘加嗎？
李馳：要有人審覈，因爲Agent永遠會犯錯。人需要確認需求、限制條件和想實現的效果有沒有問題；開發完成後，也要有人驗收。人的職責從自己寫文檔、反覆開會同步，變成更多地審覈文檔、監控Agent，併爲結果負責。
葡萄君：既然還要人審，效率主要省在哪裏？
李馳：2023年、2024年，大量工作還是靠和人溝通；到2025年，很多需求已經可以直接和Agent溝通，而且反饋很快。以前半夜突然想到一個點子，不可能要求同事立刻交付；Agent可以馬上驗證，做出來不合適也可以放棄，不會消耗同事的時間。
從製作人的角度看，這種方式效率很高。尤其在遊戲早期，它很適合讓一個人先把整條流程跑通。
葡萄君：還有其他的優勢嗎？
李馳：我們會給每個需求留底：前面有需求文檔，開發完成後有交付文檔，中間發生過哪些決策變化、花了多久、改了幾次需求、遇到什麼問題，最後成功還是沒解決、沒解決的原因是什麼，都會記錄下來。以後再遇到類似需求，就可以拿過去的案例做參考，比如之前類似的需求兩天能做完，下一次也可以以兩天爲基準。
現在很多文檔可以由AI來寫和維護，這些記錄會進入知識庫，我覺得它們在AI時代很重要，留底本身就能爲未來帶來增益。
葡萄君：這套能力最後會只服務於你們自己的遊戲嗎？
李馳：長期來看，我們想做的不只是遊戲或工具，而是想把它們整合起來，做一個「AI遊戲的Steam」，一方面提供創作工具，一方面和其中的優質開發者合作。
所有遊戲平臺都需要第一方遊戲，所以我們自己也會持續做遊戲，既能打磨工具，又能壓縮開發週期。《喵嗚島》現在還需要一年左右，下一款我們希望做到三個月。再往後，如果能做到一個人一個月做一款遊戲，就可以更快地推出很多遊戲。
現在團隊裏想做的東西很多，To-Do List上可能已經有幾十款遊戲，問題是開發效率跟不上想法。未來，我們希望藉助AI達到這種狀態：每個人都很全能，各自做自己的遊戲，持續產出一些有意思的小作品。我們希望AI能幫助團隊達到這樣的速度。
葡萄君：這會不會太激進了？
李馳：平臺不一定要一開始就挑戰Steam，但至少應該足夠有特色，讓玩家能體驗到其他地方不容易見到的遊戲。這件事長期肯定要做，我們會慢慢做起來。
至於我們算不算跑得比較遠、比較激進，其實也不確定。我們聊過很多AI創業者，大家都在用不同的方法做這件事。
