给AI装上游戏眼睛Neuro-sama Among Us AI插件从数据录制到神经网络的完整链路【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如果你是《Among Us》玩家、关注AI VTuber动态的技术爱好者或者正在寻找一个把真实游戏数据喂给神经网络的开源案例那么 Neuro-sama Among Us 插件值得你花十分钟了解一下。这个开源项目不只是一款游戏模组它更是一套完整的AI游戏能力流水线插件在游戏内持续录制局面数据通过本地网络转发给Python端神经网络基于这些数据输出移动与操作指令再驱动游戏角色实时行动。简单说它让AI从看别人玩变成自己上手玩。先说痛点为什么大多数AI玩家不会玩游戏很多AI玩游戏的Demo其实只做了两件事截图识别加预设脚本。它们换一张地图、换一局任务就失灵因为AI从不理解现在发生了什么。而《Among Us》这类社交推理游戏更难玩家位置是实时变化的、任务点分散在地图各处、还要区分内鬼与船员的不同玩法。想让AI真正会玩首先要解决一个底层问题——如何把游戏里的一帧画面变成机器能读懂的、结构化的数据。这就是本项目第一个设计目标。一条从游戏到大脑的数据流水线拆开看只有四层这个项目的整体思路可以概括成一句话游戏产生数据数据训练模型模型反哺操作。整条链路分四层每一层都有对应的源码目录。第一层录制层把看到的变成能存的插件启动后会创建一个本地录制目录把每局游戏的局面写入带时间戳的.gymbag2文件Neuro/Recording/Recorder.cs。录制不是简单地截屏而是分类采集结构化的信息地图结构门、通风管的位置Neuro/Recording/Map/玩家状态你的位置、速度、是否在管道中Neuro/Recording/LocalPlayer/其他玩家最后一次被看到的位置Neuro/Recording/OtherPlayers/任务进度任务点、当前破坏事件Neuro/Recording/Tasks/尸体信息发现尸体、报告事件Neuro/Recording/DeadBodies/打个比方录制层就像给AI配了一名战地记者每秒钟汇报一次场上有谁、在哪、在干什么而不是丢给它一段无法解析的视频流。第二层传输层让数据实时抵达AI大脑如果只录不传AI还是玩不了。项目在Neuro/Communication/AmongUsAI/里实现了基于 WebSocket 的本地通信CommunicationHandler.cs把录制的帧数据实时推送给外部的AI进程。所有消息都通过 Protocol Buffers 协议序列化——每一帧的数据结构在.proto文件中定义游戏中录制端和Python端用同一套语言对话互不误解。这里有一个设计上的巧思本地WebSocket优先本地文件兜底。有AI进程连着就实时传输没有就连着就退回到写文件训练数据依然不丢。第三层训练层让神经网络学会看局面这是整个项目最硬核的部分集中在AI/目录。Python端先把录制的原始帧转换成定长的特征向量AI/data/再交给模型训练。值得留意的是AI/nn/model.py中的两个模型设计一个基础的全连接网络适合快速验证数据能不能学出东西一个 LSTM 循环网络利用时间序列记忆理解角色连续几帧的移动意图训练流程写在AI/train_model.py加载数据集、切分训练集与验证集、逐epoch输出loss。如果你手头有显卡还可以直接享受CUDA加速没有的话CPU也能跑通整个流程只是慢一些。第四层执行层把决策落成游戏操作模型输出的不是往前走三步这种脚本指令而是移动方向和动作倾向。Neuro/Movement/MovementHandler.cs负责把决策转化为真实的位移并且内置了卡住检测如果角色超过一秒没挪窝就自动触发脱困逻辑避免AI在墙角原地发呆。遇到小游戏时项目则走程序化求解路线Neuro/Minigames/Solvers/下内置了50多个求解器比如修电线FixWiringSolver.cs、校准分配器、启动反应堆等每个求解器通过模拟鼠标移动与点击来完成小游戏与神经网络的分工各司其职。三分钟让AI先学会看游戏安装与首次运行别被上面的架构吓到实际跑起来只需三步装好运行环境为《Among Us》安装 BepInEx 与 Reactor 两个前置模组再准备 .NET 6.0 SDK这是编译插件的基础。编译并部署插件用 Visual Studio 或 Rider 打开项目解决方案把编译产出的 Neuro.dll 复制到游戏目录下的BepInEx/plugins文件夹。也可以像官方建议那样在Neuro/Neuro.csproj里直接配置输出路径每次编译自动进游戏目录。启动游戏进入对局后插件自动开始录制NeuroRecordings目录里会陆续出现.gymbag2数据文件。第一次运行建议只用录制模式让AI先积累几局数据同时用AI/play_test.py、AI/convert_file_test.py这类测试脚本验证录制数据能否被正确解析。先确认数据通再谈训练模型这是最稳妥的上手路径。进阶玩法把Neuro的训练数据接手到自己手里项目的另一个开放价值在于它把采集-训练-推理整条链路都开源了你可以完全用自己的数据重训模型。具体来说跑通AI/train_model.py就能完成一轮完整训练训练脚本会自动把数据集缓存成.pkl文件二次训练无需重新解析原始录制。如果觉得从头训练成本高AI/finetune_model.py支持在已有权重基础上微调适合针对特定地图或特定玩法做定向增强。想观察训练效果AI/visualise.py可以把模型在局面上的输出可视化出来——它直观到什么程度呢你甚至能看到模型在不同局面下打算往哪走。而AI/rename_recordings.py这类小工具则帮你管理原始录制文件避免数据越攒越乱。调试不是黑盒插件自带一套可视化手术台项目在Neuro/Debugging/里藏了一个非常实用的调试窗口DebugWindow.cs按不同主题拆成了多个标签页对局信息、任务状态、破坏事件、录制回放等一应俱全。你可以一边开着游戏、一边观察插件内部到底在做什么。遇到AI行为异常时建议按这个顺序排查先查数据录制帧是否完整是否包含地图、任务、尸体等关键字段再查模型训练loss是否收敛验证集表现是否正常最后查执行用小游戏求解器调试页和移动调试页看指令是否被正确执行这种分层排查的思路也是这个项目值得学习的地方——它把AI游戏的复杂度拆解成了可观测、可复现的模块。写在最后这个项目最适合谁如果你想快速体验AI玩Among Us克隆项目后按上面的步骤装上插件即可如果你想研究如何用真实游戏数据训练游戏AI那它的价值更大——从数据采集协议到神经网络结构再到游戏内执行与调试工具每一步都有可读的开源实现。动手建议先让插件跑几局游戏、积累数据然后跑一遍训练脚本你会亲眼看到loss曲线下降、模型逐步学会移动。从录制数据到模型动起来的完整闭环就是本项目最好的学习入口。如果你对AI游戏开发感兴趣不妨直接从它的AI/与Neuro/Recording/两个目录读起。【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