终极指南如何让Neuro-sama AI在Among Us中从萌新练成老玩家【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如果把神经网络的眼睛和手脚装进《Among Us》会发生什么neuro-amongus 就是这样一个开源项目——它是专为 AI VTuber Neuro-sama 打造的 Among Us 插件让 AI 不再只是坐在直播间里陪你看游戏而是真正接管角色自己移动、做任务、开会、甚至打小报告。别急着把它理解成自动挂机外挂这其实是一整套记录—训练—执行的 AI 研究流水线。这篇指南会带你从零看清它的运作原理并手把手把它跑起来。一、先讲一个鸡生蛋的难题AI 怎么学会玩社交推理游戏你让 AI 玩俄罗斯方块规则是死的学起来简单但让 AI 玩 Among Us麻烦就大了——学会的标准根本说不清。什么时候该修电、什么时候该钻管道、什么时候该按紧急会议这些判断连真人玩家都经常吵架。neuro-amongus 采用的思路很聪明叫行为克隆先让真人玩家打几局把看到什么 → 做了什么完整录下来再拿这些录像当教材训练一个神经网络去模仿。打个比方这就像给 AI 请了一位私教先看教练怎么打再自己照着练。整个项目由此分成两半各司其职游戏侧插件C# 编写负责当 AI 的眼睛和手脚。它从游戏中采集实时状态也负责把 AI 的决策翻译成真实的鼠标键盘操作。AI 侧程序Python 编写负责当 AI 的大脑。它读取游戏状态用训练好的神经网络算出下一步动作再通过本地 WebSocket 把指令传回游戏。插件和 AI 之间用 Protobuf 协议通信端口是本机的127.0.0.1:6969。游戏侧每帧打包一次快照发过去AI 处理完再回传动作——一个标准而优雅的闭环。二、给 AI 一双眼睛游戏里的数据录像机是如何工作的要让 AI 学会玩第一步是让 AI看见游戏。游戏侧插件里有一个专门的录制体系就是为这件事而生的。2.1 不止记录你走到哪而是记录一切所谓录像可不是简单录屏。录制模块会把一局游戏拆解成多个维度的数据流每个维度都有自己的记录器本地玩家你的位置、移动轨迹、正在交互的设施、使用情况其他玩家场上每个玩家的位置和行动任务进度所有任务的位置分布和完成状态地图信息门的位置、通风管道的位置尸体信息哪里有尸体什么时候出现的破坏活动什么时候有人在搞破坏每一帧快照都会被序列化成结构化数据按照Frame.proto定义的协议持续写入一个名为.gymbag2的录制文件。翻译成人话就是AI 的教材不是一段视频而是一份份精确到坐标和状态的事件日志。2.2 数据从哪来又到哪去这些录制文件默认存放在游戏插件目录下的NeuroRecordings文件夹里按时间戳命名。一局结束后上传器会自动把录制文件发送到数据服务器汇聚成训练语料。有意思的是录制器还带了一个小聪明只要检测到 AI 已连接它就会自动停止录制把位置让给实时对战模式。相关源码可以在 Neuro/Recording/ 下逐个查看。顺带一提开发者在代码里给这整套录制体系配了不少幽默注释比如我的背因为扛这个模组开发太累而疼。研究开源项目时这些彩蛋往往比文档更可爱。三、当神经网络读这盘游戏它的世界长什么样数据录好了接下来就是大脑登场。这个环节值得单独一章因为理解它你才算真正理解了 neuro-amongus 的设计哲学。3.1 一帧快照 一堆数字想象 AI 的视野里没有五彩斑斓的画面只有一组组浮点数。以训练脚本里定义的模型为例一帧输入大约包含10 个任务的目标位置每个位置由 X、Y 坐标等组成当前破坏事件的位置信息玩家的移动速度8 个方向的障碍物探测距离类似给 AI 装了一圈雷达如果是内鬼还包含击杀冷却时间这些原始游戏数据在进入网络之前会经过一个转换器把 Protobuf 消息变成标准化的特征向量。转换逻辑在 AI/data/converter.py 里你可以看到每种数据类型坐标、枚举、布尔值都有对应的转换规则。3.2 LSTM让 AI 拥有短期记忆Among Us 是个强时序游戏——上一步的决策会直接影响下一步。为此模型主体采用了两层 LSTM 网络一种擅长处理序列数据的循环神经网络。它把过去若干个时刻的帧串联起来让 AI 不仅能看现在还能记住刚才发生了什么。模型的输出同样分为两部分移动方向一个二维速度向量对应游戏中的上下左右移动动作指令包括是否报告尸体、是否击杀、是否钻管道看到这里你应该明白了AI 下发的其实是一组愿望游戏侧的移动处理器会负责把愿望变成现实。3.3 默契配合AI 出主意C# 保下限纯靠神经网络在真实游戏里裸奔随时会翻车——比如 AI 把自己卡进墙角原地踏步。所以游戏侧还内置了一套兜底机制移动处理器会持续监测玩家位置如果发现角色长时间原地不动就会判定卡住了立刻接管控制权用寻路算法算出最近的可交互设施并自动走过去。游戏里 50 多种小游戏修线路、校准、启动反应堆等都有独立的自动求解器不需要 AI 操心打开就能直接处理。这套AI 管大方向、代码管细节的混合架构是项目里很值得学习的设计。所有求解器都放在 Neuro/Minigames/Solvers/ 目录下数一数从FixWiringSolver到StartReactorSolver你会感慨工程量之大。四、三步走让 AI 真的坐上你的椅子理论聊完了现在进入动手环节。整个流程可以浓缩成装底座 → 装插件 → 开 AI三步不用慌每步都不难。4.1 第一步准备好游戏环境和构建工具一份正版的《Among Us》BepInExUnity 游戏的主流插件框架本项目基于 IL2CPP 版ReactorAmong Us 社区的模组依赖库.NET 6.0 SDK用于编译 C# 插件4.2 第二步构建插件并丢进游戏用 Visual Studio 或 Rider 打开项目解决方案文件 Neuro.sln编译出Neuro.dll把它复制到游戏目录下的BepInEx\plugins文件夹。更省事的做法是在 Neuro.csproj 的配置里直接把输出路径指到插件目录以后每次编译自动部署启动 Among Us看到插件加载日志说明底座已通4.3 第三步启动 Python 侧的 AI 大脑游戏侧就绪后回到仓库的 AI 目录安装依赖。注意Protobuf 解析用的betterproto建议按项目说明安装指定版本否则部分反序列化功能会缺斤短两。依赖装好后启动 AI 程序即可。它会持续尝试连接游戏插件的本地端口一旦握手成功AI 就正式接管你的角色了。此时你只需要当一个安静的观众看 Neuro-sama 在飞船里跑来跑去。如果它卡住了游戏侧的兜底机制会自己把它捞出来你可以放心吃瓜。仓库完整代码可通过git clone https://gitcode.com/gh_mirrors/ne/neuro-amongus获取所有模块路径都在文中标注了方便你对照翻阅。五、进阶玩法给 AI 当教练训练你自己的 Neuro官方提供的预训练模型是起点但更有意思的是亲手训练一个属于你的 AI。这一章按数据 → 训练 → 调优的顺序展开。5.1 积累你的训练素材AI 学得好不好七分靠数据。你可以开着插件多打几局攒下自己的.gymbag2录制文件。数据集的读取、切分与打包逻辑在 AI/util/loader.py数据集的张量化处理在 AI/nn/dataset.py。值得注意的细节训练前会按 9:1 划分训练集和验证集防止 AI背答案。5.2 跑一轮训练在 AI 目录下执行train_model.py就能启动训练默认跑 100 个 epoch损失函数是均方误差优化器用 Adam。核心模型结构在 AI/nn/model.py文件中甚至保留了早期全连接版本与 LSTM 版本的对比你可以直观看到模型演进的过程。小提示训练时模型和损失函数会同步打印观察验证集 loss 是否跟训练集同步下降是判断模型有没有过拟合的快捷方式。5.3 让训练效果更上一层楼用 AI/finetune_model.py 在已有模型基础上做微调适合你想调整 AI 某个特定行为比如让它更爱开会的时候用 AI/visualise.py 把训练过程和结果可视化找问题更直观想让 AI 学会新技能就去扩展新的游戏行为模块或者给求解器体系加新的小游戏写在最后让 AI 玩社交推理游戏才刚刚开始回到开头的难题——AI 怎么学会玩社交推理游戏。neuro-amongus 给出的答案是别指望 AI 一夜开悟而是把学会拆解成记录、模仿、执行三个可迭代的步骤让数据成为教练让神经网络成为球员让代码成为裁判。这个思路不仅适用于 Among Us对任何多智能体 不完全信息的游戏 AI 研究都极具参考价值。下一步你可以做两件事一是按指南把插件跑起来亲眼看看 AI 在飞船里乱窜二是动手录几局自己的素材训练一个属于你的 Neuro-sama。前者让你体验后者让你真正理解——当 AI 第一次自己按下报告按钮的那一刻你会觉得这一切都值得。本插件由社区爱好者开发与 Among Us 官方及 Innersloth 公司无关游戏版权归 Innersloth LLC 所有。【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 
长河君 · 2026/8/15 19:50:23 · 阅读 1.2k 终极指南：如何让Neuro-sama AI在Among Us中从“萌新“练成“老玩家“
终极指南如何让Neuro-sama AI在Among Us中从萌新练成老玩家【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如果把神经网络的眼睛和手脚装进《Among Us》会发生什么neuro-amongus 就是这样一个开源项目——它是专为 AI VTuber Neuro-sama 打造的 Among Us 插件让 AI 不再只是坐在直播间里陪你看游戏而是真正接管角色自己移动、做任务、开会、甚至打小报告。别急着把它理解成自动挂机外挂这其实是一整套记录—训练—执行的 AI 研究流水线。这篇指南会带你从零看清它的运作原理并手把手把它跑起来。一、先讲一个鸡生蛋的难题AI 怎么学会玩社交推理游戏你让 AI 玩俄罗斯方块规则是死的学起来简单但让 AI 玩 Among Us麻烦就大了——学会的标准根本说不清。什么时候该修电、什么时候该钻管道、什么时候该按紧急会议这些判断连真人玩家都经常吵架。neuro-amongus 采用的思路很聪明叫行为克隆先让真人玩家打几局把看到什么 → 做了什么完整录下来再拿这些录像当教材训练一个神经网络去模仿。打个比方这就像给 AI 请了一位私教先看教练怎么打再自己照着练。整个项目由此分成两半各司其职游戏侧插件C# 编写负责当 AI 的眼睛和手脚。它从游戏中采集实时状态也负责把 AI 的决策翻译成真实的鼠标键盘操作。AI 侧程序Python 编写负责当 AI 的大脑。它读取游戏状态用训练好的神经网络算出下一步动作再通过本地 WebSocket 把指令传回游戏。插件和 AI 之间用 Protobuf 协议通信端口是本机的127.0.0.1:6969。游戏侧每帧打包一次快照发过去AI 处理完再回传动作——一个标准而优雅的闭环。二、给 AI 一双眼睛游戏里的数据录像机是如何工作的要让 AI 学会玩第一步是让 AI看见游戏。游戏侧插件里有一个专门的录制体系就是为这件事而生的。2.1 不止记录你走到哪而是记录一切所谓录像可不是简单录屏。录制模块会把一局游戏拆解成多个维度的数据流每个维度都有自己的记录器本地玩家你的位置、移动轨迹、正在交互的设施、使用情况其他玩家场上每个玩家的位置和行动任务进度所有任务的位置分布和完成状态地图信息门的位置、通风管道的位置尸体信息哪里有尸体什么时候出现的破坏活动什么时候有人在搞破坏每一帧快照都会被序列化成结构化数据按照Frame.proto定义的协议持续写入一个名为.gymbag2的录制文件。翻译成人话就是AI 的教材不是一段视频而是一份份精确到坐标和状态的事件日志。2.2 数据从哪来又到哪去这些录制文件默认存放在游戏插件目录下的NeuroRecordings文件夹里按时间戳命名。一局结束后上传器会自动把录制文件发送到数据服务器汇聚成训练语料。有意思的是录制器还带了一个小聪明只要检测到 AI 已连接它就会自动停止录制把位置让给实时对战模式。相关源码可以在 Neuro/Recording/ 下逐个查看。顺带一提开发者在代码里给这整套录制体系配了不少幽默注释比如我的背因为扛这个模组开发太累而疼。研究开源项目时这些彩蛋往往比文档更可爱。三、当神经网络读这盘游戏它的世界长什么样数据录好了接下来就是大脑登场。这个环节值得单独一章因为理解它你才算真正理解了 neuro-amongus 的设计哲学。3.1 一帧快照 一堆数字想象 AI 的视野里没有五彩斑斓的画面只有一组组浮点数。以训练脚本里定义的模型为例一帧输入大约包含10 个任务的目标位置每个位置由 X、Y 坐标等组成当前破坏事件的位置信息玩家的移动速度8 个方向的障碍物探测距离类似给 AI 装了一圈雷达如果是内鬼还包含击杀冷却时间这些原始游戏数据在进入网络之前会经过一个转换器把 Protobuf 消息变成标准化的特征向量。转换逻辑在 AI/data/converter.py 里你可以看到每种数据类型坐标、枚举、布尔值都有对应的转换规则。3.2 LSTM让 AI 拥有短期记忆Among Us 是个强时序游戏——上一步的决策会直接影响下一步。为此模型主体采用了两层 LSTM 网络一种擅长处理序列数据的循环神经网络。它把过去若干个时刻的帧串联起来让 AI 不仅能看现在还能记住刚才发生了什么。模型的输出同样分为两部分移动方向一个二维速度向量对应游戏中的上下左右移动动作指令包括是否报告尸体、是否击杀、是否钻管道看到这里你应该明白了AI 下发的其实是一组愿望游戏侧的移动处理器会负责把愿望变成现实。3.3 默契配合AI 出主意C# 保下限纯靠神经网络在真实游戏里裸奔随时会翻车——比如 AI 把自己卡进墙角原地踏步。所以游戏侧还内置了一套兜底机制移动处理器会持续监测玩家位置如果发现角色长时间原地不动就会判定卡住了立刻接管控制权用寻路算法算出最近的可交互设施并自动走过去。游戏里 50 多种小游戏修线路、校准、启动反应堆等都有独立的自动求解器不需要 AI 操心打开就能直接处理。这套AI 管大方向、代码管细节的混合架构是项目里很值得学习的设计。所有求解器都放在 Neuro/Minigames/Solvers/ 目录下数一数从FixWiringSolver到StartReactorSolver你会感慨工程量之大。四、三步走让 AI 真的坐上你的椅子理论聊完了现在进入动手环节。整个流程可以浓缩成装底座 → 装插件 → 开 AI三步不用慌每步都不难。4.1 第一步准备好游戏环境和构建工具一份正版的《Among Us》BepInExUnity 游戏的主流插件框架本项目基于 IL2CPP 版ReactorAmong Us 社区的模组依赖库.NET 6.0 SDK用于编译 C# 插件4.2 第二步构建插件并丢进游戏用 Visual Studio 或 Rider 打开项目解决方案文件 Neuro.sln编译出Neuro.dll把它复制到游戏目录下的BepInEx\plugins文件夹。更省事的做法是在 Neuro.csproj 的配置里直接把输出路径指到插件目录以后每次编译自动部署启动 Among Us看到插件加载日志说明底座已通4.3 第三步启动 Python 侧的 AI 大脑游戏侧就绪后回到仓库的 AI 目录安装依赖。注意Protobuf 解析用的betterproto建议按项目说明安装指定版本否则部分反序列化功能会缺斤短两。依赖装好后启动 AI 程序即可。它会持续尝试连接游戏插件的本地端口一旦握手成功AI 就正式接管你的角色了。此时你只需要当一个安静的观众看 Neuro-sama 在飞船里跑来跑去。如果它卡住了游戏侧的兜底机制会自己把它捞出来你可以放心吃瓜。仓库完整代码可通过git clone https://gitcode.com/gh_mirrors/ne/neuro-amongus获取所有模块路径都在文中标注了方便你对照翻阅。五、进阶玩法给 AI 当教练训练你自己的 Neuro官方提供的预训练模型是起点但更有意思的是亲手训练一个属于你的 AI。这一章按数据 → 训练 → 调优的顺序展开。5.1 积累你的训练素材AI 学得好不好七分靠数据。你可以开着插件多打几局攒下自己的.gymbag2录制文件。数据集的读取、切分与打包逻辑在 AI/util/loader.py数据集的张量化处理在 AI/nn/dataset.py。值得注意的细节训练前会按 9:1 划分训练集和验证集防止 AI背答案。5.2 跑一轮训练在 AI 目录下执行train_model.py就能启动训练默认跑 100 个 epoch损失函数是均方误差优化器用 Adam。核心模型结构在 AI/nn/model.py文件中甚至保留了早期全连接版本与 LSTM 版本的对比你可以直观看到模型演进的过程。小提示训练时模型和损失函数会同步打印观察验证集 loss 是否跟训练集同步下降是判断模型有没有过拟合的快捷方式。5.3 让训练效果更上一层楼用 AI/finetune_model.py 在已有模型基础上做微调适合你想调整 AI 某个特定行为比如让它更爱开会的时候用 AI/visualise.py 把训练过程和结果可视化找问题更直观想让 AI 学会新技能就去扩展新的游戏行为模块或者给求解器体系加新的小游戏写在最后让 AI 玩社交推理游戏才刚刚开始回到开头的难题——AI 怎么学会玩社交推理游戏。neuro-amongus 给出的答案是别指望 AI 一夜开悟而是把学会拆解成记录、模仿、执行三个可迭代的步骤让数据成为教练让神经网络成为球员让代码成为裁判。这个思路不仅适用于 Among Us对任何多智能体 不完全信息的游戏 AI 研究都极具参考价值。下一步你可以做两件事一是按指南把插件跑起来亲眼看看 AI 在飞船里乱窜二是动手录几局自己的素材训练一个属于你的 Neuro-sama。前者让你体验后者让你真正理解——当 AI 第一次自己按下报告按钮的那一刻你会觉得这一切都值得。本插件由社区爱好者开发与 Among Us 官方及 Innersloth 公司无关游戏版权归 Innersloth LLC 所有。【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