观察：最省力的模式，评价却不是最高
设想一个解谜游戏里的AI伙伴。玩家卡住了，伙伴可以给一句提示，可以坐下来一起讨论，也可以干脆把谜题解掉。从“帮助”的角度看，最后一种最彻底：玩家不用再动脑，负荷降到最低。
一项2026年9月的VR游戏AI伙伴研究，恰好把这个直觉拿出来检验。它在一款VR解谜游戏里，给AI伙伴设置了四种模式：无协助、指令式协助、讨论式协助、自主代玩，并做了24名参与者的被试内研究，也就是同一批人依次体验不同模式。
我们的观察是：这类研究提出的问题，比它给出的答案更值得记下来。“帮得越多越好”这个默认假设，在游戏里未必成立。
证据：负荷降下来了，乐趣也跟着下去了
研究报告的几个要点，按我们的理解整理如下：
- AI协助确实能降低玩家的负荷。 这一点符合直觉，说明协助不是没有价值。
- 自主代玩负荷最低，但明显削弱了挑战感、自主感、沉浸感和乐趣。 这是最值得注意的一条：把事情做掉，同时也把“做事的体验”拿走了。
- “用户控制”和“讨论”两种模式，在自主感、沉浸感、意义感和乐趣上的评价通常最高。 也就是说，玩家最认可的，是自己仍然握着方向盘的协助。
- 玩家对AI伙伴的定位并不一致。 有人把它看作工具，有人当成队友，也有人希望它是融入世界的角色。不同类型的玩家，期待不同。
用一张表把四种模式和体验放在一起看（简化整理，非原文数据）：
| 模式 | 玩家负荷 | 我们对结论的定性理解 |
|---|---|---|
| 无协助 | 相对较高 | 玩家完全自己面对挑战 |
| 指令式协助 | 有所降低 | 用户控制方向，伙伴负责执行，评价通常较高 |
| 讨论式协助 | 有所降低 | 像与队友商量，评价通常较高 |
| 自主代玩 | 最低 | 挑战、自主、沉浸与乐趣都被明显削弱 |
这里要特别强调：这是把研究结论做定性整理，并不是原始数据。具体数值与细节请以论文为准。
为什么会这样：游戏和工具的目标不一样
这个结果并不神秘。一个办公工具的目标是“尽快完成任务”，所以越自动越好。游戏的目标却是“获得体验”，任务本身就是体验的一部分。解一道谜题的乐趣，恰恰来自那一点卡住和恍然大悟之间的张力。伙伴替你解掉，等于把游戏最有价值的部分拿走了。
这和AI-Native游戏综述里提到的“玩家能动性”是同一个方向：目标、规则、状态、反馈、节奏和玩家能动性构成机制的骨架，缺了玩家能动性，其余部分再精致，也只是一场看别人玩的演出。
对产品设计的启发：协助要分级，控制权在玩家
把研究的观察落到设计上，我们大致有五点倾向。以下是设计方向，不是已经完成的功能，具体表现以产品实际发布为准。
一、协助分成明确的几级
举例（示意）：
- 只提示：点出线索或方向，不给答案。
- 可讨论：玩家提出想法，伙伴给出看法，一起判断。
- 执行局部：玩家明确交代某一步，伙伴照做，例如“帮我把这批物资搬过去”。
- 代玩：只在玩家明确要求时才开启，且随时可以叫停。
设计上，默认停在前两级，越往后越需要玩家主动授权，而不是伙伴自己判断“你大概想让我代劳”。关于这些分级怎么落到具体交互，AI伙伴帮玩家全玩了为什么反而不好玩从设计方法的角度做了展开，本文只做研究观察。
二、把“想被帮到什么程度”交给玩家，而不是猜
不同玩家想要的并不一样。有人想要挑战，一点提示都嫌多；有人只想看故事，愿意让伙伴多做一些。与其让系统去猜，不如让玩家在一个明确的位置调整协助强度，并且随时可改。
三、主动的分寸同样重要
伙伴什么时候开口，也是一种协助。过于频繁的主动提示，同样会挤占玩家自己思考的空间。这与陪伴类角色的主动联系是同一类问题，见虚拟角色主动找玩家聊天会更真实还是更烦。设计上应当有频率上限、免打扰和一键关闭。
四、伙伴的“角色”不只是工具
研究里有玩家把伙伴当作融入世界的角色。这意味着，伙伴的存在感不应只体现在“帮了多少忙”，还应体现在性格、关系和记忆里：它会记得你上次选择了什么，也会有自己的看法，而不是一个永远顺从的执行器。
五、让玩家看得见伙伴做了什么
即便玩家授权了局部执行，也应当留下清晰的记录：伙伴替你做了哪一步、为什么这么做、能不能撤销。“做了但你不知道”比“做得多”更损害自主感，因为玩家失去的不只是操作，还有对局面的理解。这一点在设计上应当被当作底线。
还没解决的问题
这项研究给了方向，但对产品设计来说，仍有不少悬而未决的问题：
- 研究场景能否外推。 研究对象是一款VR解谜游戏，24名参与者。放到叙事游戏、模拟经营或长期陪伴的场景，结论是否成立，需要各自验证。
- 短期体验和长期关系不同。 一次实验测的是某一段时间里的感受，而陪伴类产品关心的是几个月后的关系。同样的协助强度，长期效果可能不同。
- 如何自动判断玩家当下想要什么。 同一个玩家，今天想自己解谜，明天可能想放松。系统怎样识别，又不至于过度猜测，是个难点。
- 协助的边界如何度量。 “替玩家做得太多”没有统一的刻度，需要结合任务类型、玩家反馈来评估。
- 不同玩家类型的划分。 工具型、队友型、角色型的玩家各需要什么，还需要更多观察，而不是简单归类。
我们的观察总结
有一个容易被忽略的细节值得再说一遍：研究并没有说“协助不好”。它说的是，协助的形态决定了玩家的体验。降低负荷是真实的收益，问题在于收益的代价由谁来决定。如果由伙伴自己决定，玩家很容易在不知不觉中从参与者变成旁观者；如果由玩家决定，同样的能力就成了增强而非替代。这也是我们在设计AI伙伴时，反复回到的一个判断标准：这一步，是玩家想让它做的吗？
把这项研究放在更大的背景里看，AI伙伴的下一步，可能不是“更聪明地替玩家做事”，而是“更清楚地知道什么时候不做”。协助有价值，但玩家的能动性同样有价值，两者需要一个由玩家掌握的平衡点。
长期陪伴的关系里，这个原则同样成立：角色可以记住你、关心你，但不应替你决定你要怎样生活。关于关系里的连续性，见虚拟角色越来越像认识你，怎么避免它忘记。
