腾讯游戏AI设计栈拆解：智能体+混元3D如何重构设计工作流

设计工作流的真正瓶颈在哪里

在腾讯游戏的一场技术演讲中，AI全球商业化总监Eric分享了一套将生成式AI与3D生成应用于设计工作流的完整方案。他开门见山地指出了设计团队普遍存在的痛点：设计师把大量时间消耗在重复性、受约束驱动的工作上。

当一位新美术加入团队，在真正产出之前，他必须先弄清楚一堆规则——资产怎么命名、多边形预算是多少、是否使用PBR材质。而这些答案往往散落在各种文档里，甚至只存在于某个老员工的脑子里。新人只能靠反复试错去学习，这本身就是一个严重的效率瓶颈。

设计完成之后，瓶颈并未消失。美术还需要为不同平台生成不同版本：桌面端、移动端、主机端各自有不同的面数和性能要求，手动为每个平台优化网格是一件既耗时又枯燥的工作。Eric认为，这正是AI智能体可以切入的机会点：理解工作室标准、生成3D资产、帮助新人快速上手。

两个应用：知识智能体与3D助手

演讲中展示的内部实验由两个独立应用构成。第一个被命名为"工作室知识智能体"，它能理解工作室的既有知识、回答提问，并生成可执行的预设；第二个是"3D SI助手"，负责从概念图到多视角图像、再到最终3D资产的生成。

演示以一位名叫Mike的新人为主线。当Mike提出"这个项目中3D资产制作的标准操作流程是什么"时，知识智能体从知识库中检索，以结构化、可执行的方式给出答案。随后他追问移动端与PC端的资产标准，智能体同样基于文档给出区分化的回答——这里的关键在于，答案来自工作室自己的文档，而非凭空生成。

更有意思的是主动性设计：智能体识别出Mike接下来可能要创建3D资产，于是主动为他生成了一个3D资产生成流程的预设。这个预设随后可以被任何人选用，直接进入下一个应用的工作环节。

PBR（基于物理的渲染，Physically Based Rendering） 是现代游戏和影视制作中广泛采用的材质与光照标准。与早期依赖美术经验调整高光和漫反射参数的做法不同，PBR模拟真实世界中光与物质交互的物理规律，通过金属度（Metallic）、粗糙度（Roughness）、基础色（Base Color）等标准化参数描述材质属性。PBR的优势在于，同一套材质在不同光照环境下都能产生物理正确的视觉效果，减少了场景切换时美术需要重新调整材质的工作量。演示中混元3D自动为生成模型应用PBR材质，意味着输出物不只是几何形状，而是一个可以直接在支持PBR的引擎中使用的完整资产。

从概念图到多平台3D资产

进入3D SI助手后，之前生成的预设被直接激活，材质、多边形类型和数量要求全部自动填充。Mike用一句"给我四张女性围巾战士的概念图"开始工作，系统立即生成图像。

这一步体现了AI辅助的核心价值：先生成图像远比直接做四个3D模型更快、更便宜。Mike对首批结果不满意时，可以反复重新生成，直到挑中满意的那一张。

选定概念图后，流程进入多视角生成环节。系统生成同一对象的多视角图像，让设计师确认是否符合预期。确认后，腾讯的混元3D引擎（HY3D助手）生成带三角面、并按预设应用了PBR材质的高面数初始模型。演示中模型细节丰富，头发、皮肤的材质以及盔甲的反射都相当逼真，很好地还原了概念图。

重新拓扑：解决多平台适配难题

高精度模型虽然好看，却带来了新问题：面数远超工作室预算，拓扑结构也相当混乱，无法直接投入使用。这正是预设中内置优化节点的用武之地。

工作流附带两个优化节点，分别针对PC平台和移动平台对模型进行重新拓扑。Mike由此一次性生成了两个符合各自部署要求的模型——移动端面数更低，PC端面数更高，且两者的拓扑布线都相当干净，边流合理。

设计师不再需要手动为不同平台优化网格，而是直接用来自工作室文档的知识自动完成这一过程。导出时，资产会按照命名规则自动命名并放入正确的文件夹结构。Eric也坦率承认，UV布局、材质精度等环节仍有工具无法保证的部分——"它能帮你完成90%，但人类专业知识仍然需要处理剩下的10%。"

重新拓扑（Retopology） 是3D建模流程中将高面数、拓扑混乱的网格重建为干净、可用网格的过程。AI生成或雕刻软件产出的初始模型通常拥有数百万面的三角网格，面的分布随机、无规律，这类模型虽然外观精细，却无法直接用于游戏引擎——它们不支持骨骼动画绑定、会导致渲染性能崩溃，也难以进行后续编辑。重新拓扑的目标是用更少的四边面重新构建模型表面，使边流（edge flow）顺着肌肉走向或结构线分布，同时将面数压缩到目标平台的预算范围内。这一过程传统上需要美术手工完成，是整个3D管线中最耗时的环节之一，对技术要求也相当高，这正是演示中自动拓扑节点所解决的核心难题。

支撑方案的三项核心技术

RAG检索增强是整套方案的基础。Eric强调，没有RAG，智能体就会编造内容。借助RAG从知识库检索，回答才能既准确又相关。演示中所有智能体都建立在腾讯的ADP^广告平台上，该平台支持超过30种数据类型，并改进了检索架构以提升回答的准确性与细致度。

多智能体编排是另一关键。第一个应用中有两个子智能体——一个负责理解工作室标准，一个负责为3D助手创建预设，二者之上还有一个全局智能体负责协调。之所以拆分，是因为让单个智能体处理所有事情会非常脆弱。拆分后每个智能体更简单，而简单意味着可靠、易于调试。对工作室而言，这意味着可以从小处起步，先让一个智能体负责一个任务，再逐步叠加。

**HY3D（混元3D）**则打通了从概念到图像、从图像到3D模型的路径。目前支持使用8张多视角图像生成一个模型，让模型从各个角度都更准确。除演示中的重新拓扑外，HY3D还提供UV展开等功能——Eric特别指出UV展开对设计师非常耗时，这类能力的价值尤为突出。

RAG（检索增强生成） 是一种将大语言模型与外部知识库结合的技术架构。传统大模型的知识来源于训练数据，存在"幻觉"问题——当被问及特定领域的细节时，模型可能会以高置信度生成看似合理但实际错误的内容。RAG的解决思路是：在模型生成回答之前，先从外部文档库中检索与问题最相关的段落，将这些段落作为上下文一并输入模型，从而让模型"有据可查"。对于游戏工作室而言，这意味着智能体的回答来源于团队自己编写的规范文档，而非模型的泛化猜测。检索质量直接决定回答质量，因此文档的结构化程度和知识库的维护成本是实际落地时不可忽视的隐性工作量。

AI能做什么，不能做什么

演讲最有价值的部分，是对AI边界的清醒判断。Eric明确指出：AI不能做决定，它不知道什么是对的、哪个更好。如果你给智能体一个主观目标，比如"做点很棒的东西"，它什么都做不了；但如果给它清晰的指导和约束，它就能为团队带来很好的效果。

他反复强调"人在环路中"（human-in-the-loop）：在工作流的每一步设置审核关卡。"智能体只擅长遵循规则，但人类擅长打破规则，所以要各用所长。"这是团队在实验中总结出的核心洞察。

给想动手的团队的四条建议

对于希望落地类似方案的团队，Eric给出了务实的建议：

从小处开始，保持具体。 不要试图一口吃成胖子，选一个当前最痛苦的工作流切入——可能是新美术入职、资产方案生成或合规检查。

先把知识写下来。 把命名规则、多边形预算等标准明确记录下来，在知识积累上投入的时间会得到回报。

让人类掌舵。 尤其在设计工作流中，人类的品位和愿景至关重要，智能体犯错时需要美术来优化。

衡量前后对比。 入职时间是否缩短、错误是否减少，用追踪节省时间的数据来验证投资回报率。

Eric最后总结道，智能体AI现在已经足够强大，可以用于网页、编程、设计、创作等各种场景，帮助团队扩展探索空间。但它仍然无法取代人类的愿景和决策——这是整场演讲最想传递的信息。