从零上手 Neuro-sama Among Us 插件：让 AI 主播自己玩太空狼人杀

从零上手 Neuro-sama Among Us 插件让 AI 主播自己玩太空狼人杀【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 AI 爱好者或者追过 VTuber大概听说过 Neuro-sama——一个能实时互动、甚至能打游戏的 AI 主播。而 neuro-amongus 这个开源项目就是专门让 Neuro-sama 自己上手《Among Us》的插件。它由游戏数据采集 神经网络训练 实时决策控制三部分组成既适合想快速跑通的普通玩家也适合想研究 AI 游戏 Agent 的轻度开发者。本文从零开始带你一步步理解它的原理、装好插件、甚至为它扩展新能力。上图是项目 Installer 目录中的角色素材Neurosama 的情绪表达也是插件行为设计的一部分。为什么这个插件值得一试三个核心价值在动手安装前先看它解决了什么问题让 AI 真正玩游戏不是脚本式的按键模拟而是基于神经网络输出移动方向、报告、击杀、钻管道等动作。完整的数据闭环先录游戏数据再训练模型最后模型驱动游戏——这正是研究 AI Agent 的典型范式。可扩展架构50 种小游戏求解器、事件系统、录音回放系统二次开发门槛低。安装前需要准备的三样东西按下面的清单核对环境缺一不可Among Us 游戏本体Steam 版BepInEx 插件框架当前版本依赖BepInEx-Unity.IL2CPP-win-x86-6.0.0-be.668这一构建Reactor 模组支持Among Us 的常用模组框架与 BepInEx 配合使用此外如果要从源码构建插件还需要.NET 6.0 SDK开发环境。官方推荐用 Visual Studio 或 JetBrains Rider 打开解决方案文件Neuro.sln进行编译。最快的安装方式只需四步装好插件并不复杂核心流程如下clone 项目执行git clone https://gitcode.com/gh_mirrors/ne/neuro-amongus把仓库拉到本地。构建插件用 IDE 打开Neuro.sln编译产出Neuro.dll。部署插件将Neuro.dll放入 Among Us 的BepInEx/plugins目录。更省事的做法是在Neuro/Neuro.csproj的PropertyGroup中直接添加OutputPathAmong Us 路径\BepInEx\plugins/OutputPath之后每次编译自动输出。启动游戏运行 Among Us插件随 BepInEx 自动加载。提示编译依赖的包引用如AmongUs.GameLibs.Steam、Reactor、Google.Protobuf都已在Neuro.csproj中声明首次构建会自动还原一般无需手动处理。它背后是怎么工作的数据→训练→决策要理解这个插件建议按它做了什么和它如何做到两层来看。数据采集层把整局游戏变成结构化帧Neuro/Recording/ 目录下是一整套记录器系统。每一帧Frame由多个子帧组成本地玩家状态位置、速度、技能冷却、其他玩家视野信息、尸体数据、地图信息门、通风口、会议按钮、任务与破坏信息。这些数据全部用 Protocol Buffers.proto文件定义结构化格式通过 WebSocket 实时发送给 AI 侧见 Neuro/Communication/AmongUsAI/。传输协议支持断线重连后自动补发 Header保证数据完整性。模型训练层把录制的数据变成神经网络AI/ 目录存放完整的 Python 训练流水线。先用AI/data/下的工具把录音数据转成训练集再通过AI/nn/model.py中定义的 LSTM 模型双层 LSTM 全连接输出层学习从游戏状态到动作的映射。AI/train_model.py负责训练与验证AI/finetune_model.py可在已有权重上继续微调AI/visualise.py用于可视化分析结果。实时决策层AI 的输出反过来控制游戏插件通过CommunicationHandler接收神经网络返回的NNOutput期望移动方向、是否报告、是否击杀、是否钻管道并驱动游戏内光标与实际角色执行动作。也就是游戏状态喂给模型模型的输出又驱动游戏形成完整闭环。它有哪些开箱即用的能力自动完成 50 种小游戏Neuro/Minigames/Solvers/ 里内置了从修复线路、校准分配器、启动反应堆到刷卡、配平飞船等大量求解器覆盖几乎所有地图的常见任务。智能行为决策基于神经网络输出AI 能选择移动方向、发起紧急会议、内鬼模式下击杀与钻管道。调试与可视化面板内置调试窗口DebugWindow提供强制内鬼、任务耗时统计、小游戏自动计时等多项调试 Tab方便观察 AI 行为。想二次开发从这里入手两个方向方向一自定义 AI 行为参考以下模式即可在 Neuro/Minigames/Solvers/ 新建一个求解器类实现IMinigameSolver接口其中定义了CompleteMinigame逻辑用MinigameSolverAttribute标记它对应的Minigame类型插件启动时会自动扫描注册。参考现成的FixWiringSolver它先让光标移动到左侧线头按住左键拖到右侧对应节点再松开完成连线——整个流程就是移动光标 模拟鼠标操作的组合容易照葫芦画瓢。方向二训练自定义模型用AI/nn/dataset.py管理数据集在AI/nn/model.py里调整模型结构例如修改 LSTM 隐藏层维度或输出数量然后用train_model.py重新训练最后用finetune_model.py在真实对战数据上微调。注意依赖安装pip install -r AI/requirements.txt并使用项目指定的 betterproto 版本以保证数据序列化兼容。常见问题速查插件加载失败优先核对 BepInEx 版本是否与当前 Among Us 客户端匹配以及 Reactor 是否装好。AI 行为很蠢大概率是训练数据质量或模型训练轮次不足尝试用更多对局录音重新训练。游戏崩溃检查依赖项完整性以及Neuro.csproj中输出的插件目录路径是否正确。想先只采集数据项目提供了DataCollection与Full两种编译配置可在仅采集数据与全功能模式之间切换。总结neuro-amongus 的价值在于它把游戏数据采集—神经网络训练—实时游戏控制完整打通是研究 AI 游戏 Agent 不可多得的开源范本对普通玩家而言它也让AI 自己玩 Among Us从想象变成了可运行的真实项目。项目仍在活跃迭代中如果你有改进想法欢迎到仓库提交 Issue 或 Pull Request一起让它变得更聪明。【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