网易游戏 AI 实习：体验实验、问题复现与交付取舍
本场面试题
- 如何设计实验验证新的 AI 算法提升了游戏体验，而不是增加了难度？
- 当测试或玩家反馈“这个 AI 很蠢”时，如何定位和解决问题？
- 时间紧张时，怎样取舍快速实现可用 AI 与研究更智能但不确定的方案？
面经与参考答法
网易游戏 AI 实习：体验实验、问题复现与交付取舍
原帖标题自述网易 Agent 开发实习，题目围绕游戏 AI；正式职位、部门、轮次和面试日期未披露。本页按游戏 AI 语境选三组工程问题，不假定其使用大语言模型，也不还原未给条件的 BOSS 架构或 MCTS 编程题。经历未经外部核实；短答与示例是编辑补充的学习材料，不代表原项目算法、现场作答或实验结果。
（1）如何设计实验验证新的 AI 算法提升了游戏体验，而不是增加了难度？
先定义目标玩家、希望改善的体验和可接受的难度、公平、稳定性护栏，不能把更低过关率直接当成更好体验。预先固定指标、随机化单位、算法与游戏版本、观察窗口和停止规则，考虑玩家水平与组间干扰，结合合适的体验反馈和行为指标分析。报告效应大小、不确定性和护栏变化，区分证据不足与没有价值；原帖没有给具体指标或实验结果。
教学示例（非原面试实现）：同一关卡与规则下，按预定义玩家分层随机分配算法版本，按分配口径比较体验评价变化及区间，同时观察退出、卡顿等护栏。过关率下降只说明结果变了，不能单独证明体验提升。
（2）当测试或玩家反馈“这个 AI 很蠢”时，如何定位和解决问题？
先把评价转成可观察的失败与预期，再保存关卡、游戏和 AI 版本、初始状态、AI 可见信息、动作与事件时序及随机条件。在隔离环境复现，比较最早偏差，区分感知、状态、目标设置、决策或执行等环节；最小化案例、针对可控原因修改，再做同条件和反例回归。一段解释或相关日志不能独自证明根因，一次回放正常也不能证明概率性问题已修复。原帖未披露实际故障。
教学示例（非原面试实现）：NPC 应沿可通行路线接近目标却原地绕圈时，先核对它能看到的地图、行为状态和实际动作时序，再恢复相同条件查最早偏差；不从一句反馈直接断言某种算法无效。
（3）时间紧张时，怎样取舍快速实现可用 AI 与研究更智能但不确定的方案？
先明确最小体验目标、现有基线、失败成本以及时间、资源和集成约束，优先验证会决定能否交付的关键不确定性。可在可验收、可回退的范围交付可用方案，对研究设小预算、检查点和停止条件；若基线达不到核心目标，也不能用“快”替代合格验收。比较实际收益、维护和风险，不因方案更复杂就假定更好；原帖没有披露最终选择。
教学示例（非原面试实现）：若规则 AI 已满足基础体验，可先小范围对照验证学习方案是否改善预定指标，再决定投入；到检查点仍缺证据时保留已验证基线，并记录继续研究需要满足的条件。