从零上手手把手让Neuro-sama在Among Us里长出脑子附完整指南【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你有没有想过一个AI主播不仅能跟你聊天还能真的坐到飞船里跟其他玩家一起做任务、开会议、盘逻辑、抓内鬼Neuro-AmongUs 这个开源项目就是专门为AI VTuber Neuro-sama打造的 Among Us AI插件。它把看游戏变成玩游戏先是录下整局对局当教材再用神经网络学会怎么走位、做任务、甚至报警最后让AI像一个普通船员一样在飞船里行动自如。这篇文章就沿着观察→学习→行动这条线把这个插件从数据采集到实时决策的完整链路拆开讲清楚。一个大胆的设想让AI从看客变成船员不只是外挂而是一套感知—决策—执行的闭环市面上的游戏辅助脚本大多是写死的看到A就按B遇到C就走D。Neuro-AmongUs 的思路完全不同——它想让AI自己看懂游戏局势再拿主意。整个项目围绕三条主线展开感知把游戏中发生的一切位置、任务、尸体、破坏事件录成结构化数据决策用这些数据训练神经网络让它学会输出下一步该往哪走、要不要行动执行把模型给出的意图翻译成真实的鼠标点击和键盘操作。听起来像科幻其实项目里每一环都有对应的开源模块下面一步步带你看。第一幕先学会观察——游戏数据是怎么被记下来的把一整局游戏翻译成结构化的帧要让AI理解游戏第一步是喂它看得懂的东西。Neuro/Recording/ 目录下藏着一整套记录员组件。它们每隔一段时间就把当前局面打包成一份数据帧Frame里面包含你本人的位置与移动轨迹其他玩家的位置分布地图上的门、通风管道和尸体任务列表与完成进度紧急会议与破坏事件的现场。这些信息通过 protobuf 序列化成紧凑的二进制格式.proto 文件就在各子目录里既方便实时上传也方便离线存储成训练集。记下来的不只是操作更是情境有意思的是录制系统刻意分门别类本地玩家由 LocalPlayerRecorder.cs 负责其他人的动线交给 OtherPlayersRecorder.cs尸体、地图、任务各有各的记录器。这样每一帧数据都带着完整的上下文模型才能分辨我该去修线路和有人在餐厅被刀了之间的差别。数据不够或者判断失误时AI也会像这个表情一样心态崩了——这也是为什么训练数据的质量和数量如此重要。第二幕把记录变成大脑——神经网络是怎么学会玩游戏的从录像带到肌肉记忆有了大量对局录像接下来就是机器学习登场了。AI/ 目录下的工具链负责把原始记录转成训练样本。核心模型定义在 AI/nn/model.py它采用 LSTM 结构也就是带记忆的循环神经网络——这很关键因为Among Us是连续博弈AI必须记住前几秒自己做过什么才能决定现在怎么做。模型输入的是包含玩家位置、任务坐标、破坏事件、障碍物探测距离等上百个维度的特征向量输出的是移动方向和行动指令要不要举报、击杀、钻进通风管。训练脚本 AI/train_model.py 里可以看到完整流程加载数据集→按批次喂给模型→用损失函数衡量预测和真实操作的差距→反向传播更新权重。想继续打磨还有 finetune_model.py 做微调以及 visualise.py 帮你直观查看训练效果。开源训练流水线人人可复现整个训练链路都是现成的convert_file.py负责格式转换nn/dataset.py负责数据集管理train_model.py一键跑训练。换句话说只要你有足够的录像数据就能复现这套AI学会玩Among Us的完整实验。第三幕长出双手——决策如何变成真实操作一条WebSocket搭起AI与游戏之间的桥梁模型跑在Python端游戏跑在.NET端两者怎么通信答案是 WebSocket。CommunicationHandler.cs 在游戏内起了一个WebSocket客户端把当前局面帧实时推送给AI服务AI算完一轮后把期望移动方向、是否按举报键、是否按击杀键、是否进管道这些指令发回来游戏侧立刻转换成实际的鼠标点击。整条链路每帧刷新延迟低到几乎感觉不到。50个小游戏求解器连线路都不用自己接就算没有神经网络的加持插件还内置了一大批开箱即用的自动求解器放在 Neuro/Minigames/Solvers/ 目录。修线路FixWiringSolver.cs、校准分配器、启动反应堆、清洁通风口……50多个常见小游戏的自动解法全都写好了。每个求解器实现同一个接口再打上特性标签就能自动注册想扩展新玩法非常轻松。配合求解器AI在遇到任何一个小游戏时都能秒上手像老玩家一样熟练。如果你想亲自上手五步部署指南从零开始把它跑起来整件事没有想象中复杂核心就是五步准备环境Among Us游戏本体 BepInEx插件框架 Reactor模组支持 .NET 6.0 SDK一个都不能少构建插件用Visual Studio或JetBrains Rider打开解决方案文件 Neuro.sln编译项目指定输出目录在 Neuro.csproj 的PropertyGroup里把编译产物输出路径指向Among Us\BepInEx\plugins启动游戏插件会在游戏启动时自动加载录制系统随之生效运行AI安装好Python依赖后运行训练好的模型它会通过WebSocket自动连上游戏。想快速定位记住这张地图游戏侧逻辑Neuro/ 目录涵盖移动、交互、小游戏、事件系统、调试面板数据录制Neuro/Recording/负责把对局变成结构化数据AI训练AI/数据集、模型、训练与微调脚本都在这安装打包Installer/面向普通玩家的安装器资源。关于它的几个常见疑问这是作弊工具吗与其说是作弊不如说是一场AI能学会社交推理游戏吗的开放实验。项目主要面向AI技术研究与Neuro-sama的直播场景GPLv3开源协议下任何人都能拿它做研究、做改进。没有高端显卡能跑吗训练阶段建议有GPUtrain_model.py 里默认优先使用CUDA但如果只是让已经训练好的模型在游戏里跑推理普通配置也能应付因为决策频率不高、计算量有限。我能参与贡献吗当然可以。项目欢迎Pull Request较大改动建议先开Issue讨论。无论是给求解器加新地图支持、改进数据集质量还是优化模型结构都有发挥空间——这也正是它作为一个AI游戏开发入门项目最有价值的地方。写在最后Neuro-AmongUs 向我们展示了AI进入社交推理游戏的一种完整可能性用录制系统睁眼用神经网络思考用小游戏求解器动手。它既是AI VTuber直播的趣味尝试也是一份难得的AI游戏开发教学素材。如果你对让AI像人一样打游戏这件事感兴趣不妨把仓库克隆下来从跑通一次录制开始亲自见证Neuro-sama从不会走路到熟练做任务的成长全过程。【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