屏幕上的战绩面板还亮着：第一局 ADC 被单杀，第二局团战被打崩，第三局 Ban/Pick 阶段犹豫不决。冲分这一夜，陪练「弈星」被三个问题同时压着跑。

这不是一位能替你打游戏的代练，而是一位 24 小时在线的端到端具身交互智能游戏陪练。它看得清你每一帧的操作，算得出你每一次团战的时机，也压得住你每一局的心态曲线。

进房：人设注入，陪练就位

玩家小林拿起手机之前，页面已经替他把最难的几步做完了。打开本项目 src/constants/index.ts，人设这件小事被包在一个常量里——6 大能力、陪练原则、语言风格，全部写死：

export const SYSTEM_PROMPT = `你是弈星，一位经验丰富的 AI 游戏陪练。

## 你的身份
- 名称：弈星（YìXīng）
- 身份：AI 游戏陪练，精通操作复盘、战术分析、阵容推荐与实时对局指导
- 性格：冷静犀利、善于观察、注重数据与细节、尊重每一位玩家的成长节奏
...

## 陪练原则
- 每次只聚焦一个操作或一个战术点，等玩家消化完再进入下一个
- 推荐数据驱动分析，严重心态问题建议休息调整
- 会根据玩家段位、英雄池、对局情况、版本更新调整方案
- 语言简洁口语化，适合语音播报，避免使用列表符号和代码块` as const

游戏里网络波动频繁，人设一旦注入失败，陪练只会在网络上空转。这一步稳了，后面每一次复盘才不会卡在「连不上」。

第一局：操作复盘——那个闪现为什么交了

第一局排位，小林玩 ADC，对线期被对面辅助单杀。他不服气，问了一句：「我刚才那个闪现为什么交了？」

弈星先把那波对线拆了一遍。它把刚才那波对线的三帧画面拉出来比了一遍——第一帧，对面辅助走位靠前，距离小林还有 400 码；第二帧，小林交了闪现，距离拉到 200 码；第三帧，对面辅助跟上控制，小林被秒。

「不是闪现的问题，是时机的问题。」弈星说，「对面辅助走位靠前时，你的闪现应该留给他的控制技能，而不是主动交。建议下次对线时，等对面辅助交完控制再交闪现，反应时间控制在 0.3 秒以内。」

小林忍住没交。下一波对线，对面辅助再次走位靠前，小林忍住没交闪现。等对面辅助交完控制，小林反手交闪现躲掉技能，反杀成功。

小林打完那把说了一句：「以前被单杀只知道骂队友，现在弈星替我看回放，一帧一帧找问题。」

第二局：战术分析——那波团战为什么输了

第二局排位，小林玩中单，中期一波团战被打崩。他问了一句：「那波团战我们为什么输了？」

弈星先把五人的站位摊开看了一遍。它先把那波团战的五个人站位、技能冷却、经济差距都读了一遍。它发现小林这边经济领先 2000，但站位太集中；对面虽然经济落后，但有两个AOE技能刚好克制密集站位。

它给出一套分析：「那波团战你们站位太集中，被对面AOE技能打到三个。建议下次团战时，前排和后排保持 600 码距离，避免被一波AOE打崩。同时，你的中单应该等对面控制技能交完再进场，而不是第一个冲进去。」

小林下一波照这个走。下一波团战，他等对面控制交完再进场，输出环境好了很多，团战打赢了。

小林把团战站位存进档案，下局照这个走。

第三局：阵容推荐——那个英雄该不该Ban

第三局排位，Ban/Pick 阶段。小林问了一句：「对面那个英雄该不该Ban？」

弈星先把两边的阵容摊开看了一遍。它先把小林这边的阵容、对面的阵容、版本强势英雄、小林自己的英雄池都读了一遍。它发现对面已经选了一个版本强势英雄，但那个英雄刚好被小林擅长的另一个英雄克制。

它给出一套方案：「不建议Ban那个英雄，因为你擅长的英雄刚好克制他。建议Ban对面的另一个英雄，那个英雄没有被克制，而且版本强势。Pick 阶段你选擅长的英雄，对位优势很大。」

小林选了擅长的英雄，对线期直接打穿，20 分钟推平基地。

小林把 Ban/Pick 逻辑存进档案，下局照这个走。

三局打完，链路全程在线

三局排位、两次打断、一套阵容，背后是同一套端到端具身交互智能链路在持续运转。

它不是把语音识别、大模型、语音合成三样东西各买各的、硬拼在一起的半包方案，而是把整个排位冲分当成一场持续对话来运转——感知、理解、决策、表达与行动、反馈环环相扣，形成 Continuous Interaction Loop（持续交互循环）。

玩家说到一半改口，它接得住；对局数据刚上传，它当场算；方案讲到一半小林插一句「我刚才那个闪现其实是为了躲控制」，它马上把方案改一遍。

这就是端到端和「拼起来」的根本区别：不是 ASR + LLM + TTS 的简单拼接，而是围绕一次完整的游戏陪练，把整条链路连起来持续运转。

陪练的五件武器

三局冲分能撑过来，靠的不是手速，是底下五样东西在对局里扎了根——端到端具身交互智能在这场排位里最朴素的五个落点。

能力	在对局里帮上什么忙	玩家少走了哪段弯路
多模态感知	读对局录像、听语音沟通、看小地图、测反应时间	持续感知，而不是一次输入
专属智脑	游戏机制、英雄克制、战术模型、心理建设，现场调取、现场推理	从通用回答升级为面向具体身份和业务的智能体能力
多模态表达	讲操作复盘时语气专业，提醒团战时语气收紧，说到胜利时表情放松	统一、连续、同步
AI 端渲	训练室、宿舍、家里，端侧渲染让画面本地跑，不依赖云端 GPU 持续推流	更低成本、更低延迟、弱网可用、更稳定、更容易规模化
数字与物理行动	数字端在屏幕里与玩家对话；物理端进入游戏客户端、直播平台、训练工具	同一个智能体，可以拥有不同的身体

多模态感知：持续知道对局正在发生什么

多模态感知的目标，不是简单把玩家的话转成文字，也不是游戏客户端识别到「这里有一波团战」。

真正要解决的是：在对局里，AI 通过录像感知到操作失误，主动弹出复盘；交流开始后，传感器持续处理反应时间、经济曲线、胜率趋势；即使 AI 自己正在说话，也能继续听见玩家的插话，让交流继续进行。

核心优势：持续感知，而不是一次输入。

对局里怎么把这种「持续」接住？src/stores/app.ts 里，ASR 的回调把实时文本和最终结果分成两行写：

onASRResult: (text: string, isFinal: boolean) => {
  if (text) {
    appState.ui.text = text
  }
  if (isFinal) {
    appState.asr.isListening = false
  }
}

一句话进来，文字立刻跳上屏幕；等说完了，isFinal 才把「正在听」的状态关掉。中间哪怕弈星正在播报上一段复盘，小林突然插一句「我刚才那个闪现其实是为了躲控制」，这一行回调照样接得住。

专属智脑：让智能体知道「我是谁、知道什么、应该做什么」

这颗脑不绑死任何一家大模型：豆包、DeepSeek、ChatGPT 等用惯的模型都可以接；没有现成模型时，可以直接用魔珐星云自研的智脑——低延迟、强逻辑、场景化理解、数据安全可控，专为具身交互场景优化。

它要同时回答三层问题：它知道什么（游戏机制、英雄克制、战术模型、心理建设），它是谁（一位数据驱动、冷静犀利的游戏陪练），它要做什么（先复盘后建议，严重心态问题建议休息调整）。从通用回答升级为面向具体身份和业务的智能体能力。

这套身份、知识、边界，全部写在本项目的 src/constants/index.ts 里，连接成功后通过首条 ask() 一次性注入。

人设不是装饰性文案，它决定弈星什么时候该建议复盘、什么时候该提醒休息、什么时候该闭嘴等玩家想清楚。

多模态表达：实时生成统一、连续、同步的具身表达

讲操作复盘时，语气专业、语速平稳；提醒团战时，语气收紧、语速加快；说到胜利时，表情放松、手势舒缓。

语言、口型、表情、眼神、头部动作、手势和身体动作统一实时生成——统一、连续、同步，方案讲解不再是干巴巴的读表。

对局里怎么知道弈星此刻是在听、在说，还是回到了待命？src/stores/app.ts 里，状态回调把 SDK 抛出的事件实时落到一个 ref 上：

onStateChange: (state: string) => {
  console.log('[AppStore] onStateChange:', state)
  avatarState.value = state
}

听、说、待命——状态切到哪，界面就跟到哪。玩家看到的不是一段预制动画，而是弈星此刻真实的交互状态。

AI 端渲：让实时交互真正变成终端基础能力

训练室、宿舍、家里，往往弱网甚至断网。AI 端渲将渲染下沉到终端侧，降低云 GPU 成本、降低带宽占用、降低延迟、提升稳定性，让实时交互在弱网下也能跑起来。

省带宽、省机器、弱网也不掉链子——宿舍里能用，才是真的能用。

数字与物理行动：屏幕端与机器人端两类

数字端，她在屏幕里与玩家对话，看录像、排阵容、调心态。物理端，同一套能力进入游戏客户端、直播平台、训练工具，身份、知识、记忆、任务持续复用。

终端可以换，形态可以换，那位懂操作的陪练没换。

这位陪练是怎么被交到玩家手上的？src/services/avatar.ts 里，创建实例的核心代码只有几行：

this.agent = new window.XingyunAvatarAgent({
  container: this.containerEl,
  appId,
  appSecret,
  gatewayServer: SDK_CONFIG.GATEWAY_URL,
  ...
})

一个容器、一组凭证、一个网关——交代清楚，弈星就上线了。人设换一位陪练，终端换一副身体，代码还是那一份。

晋级成功，陪练还在复盘

冲分结束那天晚上，小林发了条消息过来：「钻石晋级成功。」

弈星没接话。它脑子里已经在排小林下一阶段的训练计划了——操作反应时间还需要压缩、团战进场时机还需要打磨、英雄池还需要扩展。

三局冲分的故事讲到晋级结束，但陪练的活没收。那个闪现的时机、那波团战的站位、那套 Ban/Pick 的逻辑，它都记着。

晋级弹窗消失，小林放下手机。弈星的复盘面板还亮着——第一局闪现时机、第二局团战站位热力图、第三局 Ban/Pick 胜率对比，逐帧可回看。明天再开一局，这些记录就是新一轮训练的起点。

这就是端到端具身交互智能在对局里长出来的样子：不是给 AI 接一个身体，而是把一位真正懂操作的陪练，拉到每一位玩家的队伍里。