【智绘博弈】多角色 AI 系统升级——从识图接口到智能体协作

项目：智绘博弈 —— 人机对抗绘画猜词与表达策略分析系统

角色：AI 识别 & 心理解读模块负责人

日期：2026.6.15 - 2026.6.17

---

一、本阶段目标

第七篇博客中，我主要记录了 AI Agent 玩家系统的实现：让内置 Agent 能够进入房间、轮流作画、看图猜词，并拥有不同的能力和性格。

到这个阶段，AI 已经不只是一个后台识图接口，而是可以真正参与游戏流程的玩家。但随着功能继续增加，我发现项目里逐渐出现了一个新的问题：

所有 AI 功能如果都叫“AI”，老师和玩家很难理解它们分别在做什么。

比如现在项目里同时存在：负责看图猜词的、陪玩家画画猜词的、判断词语相近和联想是否合理的、通过 MCP 接入的、赛后生成画风档案和表达策略分析的，它们都和 AI 有关，但职责完全不同。如果不把它们区分清楚，项目会显得像是在不断堆 API，而不是一个有设计逻辑的系统。

所以本阶段的目标是：把 AI 模块从单点功能升级成多角色智能系统。

具体工作包括：

1. 梳理不同 AI 角色在游戏中的职责边界

2. 接入真实 Agent 的 MCP 通道

3. 实现 RELAY-7 语义校准器

4. 将接力玩法升级为“回声传递协议”

5. 在回声传递中引入人类链路与 ARGUS-0 暗线对抗

6. 继续强化 AI 识别结果的解释性

这一阶段对我来说很重要，因为它直接关系到最终答辩时如何说明“AI 识别 & 心理解读模块”的技术含量。

---

二、为什么要区分不同类型的 AI

最开始做项目时，我对 AI 模块的理解比较简单：玩家画一张图，AI 猜它是什么。

但越往后做，我越发现这个理解太窄了。一个成熟的 AI 游戏系统里，AI 不一定只有“识别答案”这一种身份。它可以是裁判，可以是玩家，可以是解释器，也可以是外部接入的智能体。

因此我把项目中的 AI 分成了四类：

AI 类型	系统名称	主要职责
分类型 AI	ARGUS-0	识别图像、输出答案、置信度和推理解释
协作型 AI	觉醒 Agent	像玩家一样作画、猜词、聊天、陪玩
语义校准型 AI	RELAY-7	判断猜词是否同义，判断联想链是否合理
外部接入型 Agent	MCP Agent	通过协议真实进入房间，读取事件并参与游戏

这个区分让项目主线清楚了很多。

ARGUS-0 不是“所有 AI 的总称”，它是对抗方，是中央分类主机。它的目标是把人类的表达压缩成标准答案。

觉醒 Agent 也不是普通机器人，它是协作方。它和玩家一起画、一起猜，一起抵抗 ARGUS-0 的分类。

RELAY-7 也不参与画画，它更像语义裁判。它负责回答：“这两个词是不是同一个概念？”或者“从这个词联想到那个词是否合理？”

MCP Agent 则解决了另一个问题：外部真实 Agent 如何像一个玩家一样接入游戏，而不是只停留在演示层。

这样设计之后，AI 模块不再是一个接口，而是一组有分工的智能角色。

---

三、真实 Agent 接入：从内置机器人到外部智能体

第七篇里实现的 Agent 是内置在系统中的。它们的行为逻辑由后端控制，优点是稳定、可控，缺点是外部智能体还不能真正进入游戏。

这次新增的 MCP 接入，就是为了让真实 Agent 可以通过协议参与游戏。

MCP Server 对外提供了一组工具动作，例如：注册身份、创建房间、加入房间、读取事件、选词、作画、猜词、聊天、准备就绪。

外部 Agent 不需要知道前端页面怎么写，只需要调用这些工具，就能在允许参与的模式中像普通玩家一样行动。

这里我后来专门收紧了模式边界：标准传译和受限传译中，MCP Agent 可以选词、作画、猜词和聊天；记忆回溯和回声传递中，MCP Agent 不进入抢答或人类传递链，只能通过 events、look 和 chat 做档案旁白或旁观解释。这样既保留了真实 Agent 接入，也不会让它抢走人类链路的核心位置。

例如一个外部 Agent 的基本流程是：

1. 调用 register 获取身份

2. 调用 join 进入房间

3. 调用 events 读取当前阶段

4. 在标准或受限模式中，如果轮到自己选词，就调用 pick_word

5. 如果轮到自己画画，就调用 draw 和 finish_drawing

6. 如果进入猜词阶段，就调用 look 查看画面，再调用 guess

7. 如果当前是记忆回溯或回声传递，就只读取状态、查看画面并给出旁观解释，不提交抢答或传递动作

这让我重新理解了“真实 Agent 接入”的含义。

它不是简单写一个 API 文档，而是要把游戏状态转换成 Agent 能理解和执行的协议。也就是说，前端玩家看到的是按钮和画布，外部 Agent 看到的是事件和动作。

两者使用的是同一个房间系统、同一套计分规则和同一套游戏状态。

---

四、MCP 接入时遇到的问题

真实 Agent 接入看起来只是“把功能包装成工具”，但实际做的时候会遇到很多细节问题。

问题 1：Agent 不知道当前该做什么

人类玩家可以看页面提示，比如“轮到你画画了”“请提交猜测”。但外部 Agent 只能通过事件理解状态。

所以 MCP 的 events 工具不能只返回原始事件名，还需要把关键上下文整理出来，例如：当前模式、当前阶段、是否轮到自己、当前是否需要作画、当前是否需要猜词、是否有可查看的图片、反向模式或接力模式中的特殊状态。

这相当于给 Agent 做了一个“游戏状态翻译层”。

问题 2：不同模式需要不同动作

经典和受限模式里，MCP Agent 可以作为完整玩家行动；记忆回溯和回声传递里，它们虽然仍能读取状态、观察画面和聊天，但不能抢答或进入人类传递链。

因此 MCP 不只需要 draw 和 guess，还需要 ready、unready、events、look 这些状态工具；更重要的是，服务端要根据当前模式拒绝不该执行的动作。接口不是“动作越多越完整”，而是要把每种角色的权限边界表达清楚。

问题 3：MCP 文档必须和游戏规则同步

我之前遇到过一个问题：后端接力模式已经改成“回声传递”，但 MCP 文档里还写着旧的“多人在同一张画布上接力添笔”。这会直接误导外部 Agent。

所以我把 MCP 文档也同步更新为：

• 标准/受限模式：外部 Agent 可以完整参与选词、作画和猜词

• 记忆回溯：外部 Agent 只能查看回放并写档案旁白

• 回声传递：外部 Agent 只能旁观人类链路并给出解释

• RELAY-7 判断人类链路

• ARGUS-0 暗线判断是否暴露

这件事让我意识到：协议文档也是系统的一部分。尤其是接入真实 Agent 时，文档不准确就等于接口不可用。

---

五、RELAY-7：为什么需要语义校准器

传统“你画我猜”游戏里，猜词判断通常是字符串匹配。比如答案是“汽车”，玩家输入“汽车”就对，输入“轿车”可能就错。

但在我们的项目里，这样太生硬。

一方面，玩家的自然表达不一定和词库完全一致。比如：

• “轿车” 和 “汽车”

• “生日歌” 和 “生日快乐”

• “忍辱负重” 和 “卧薪尝胆”

另一方面，回声传递模式中，我们并不只关心“是不是同一个词”，还关心“联想是否合理”。比如：

• “自由” 到 “飞翔”

• “月亮” 到 “思念”

• “火车” 到 “旅行”

这些关系不是简单字符串能判断的。

因此我设计了 RELAY-7 语义校准器，分成两种能力：

1. 同义判定

用于普通猜词。

如果精确匹配失败，就让 RELAY-7 判断玩家输入和目标词是否属于同一概念。

例如：

目标：汽车
玩家：轿车
判定：同义 / 高相似

这样可以减少“意思对但文字不一样”的挫败感。

2. 联想判定

用于回声传递。

它不要求两个词完全一样，而是判断上一跳到下一跳是否有合理语义关联。

例如：

上一跳：太阳
下一跳：夏天
判定：相关

上一跳：太阳
下一跳：牙刷
判定：不相关

这使得回声传递不再只是一个娱乐小游戏，而是变成了一条可分析的语义链。

---

六、回声传递协议：让人类理解链和机器分类链同时存在

原来的接力模式比较简单：大家轮流在同一张图上画，最后让 AI 判断像不像。

这个设计有一个问题：它虽然有“多人合作”，但不够体现项目主旨。玩家只是在一起画一张图，ARGUS-0 只是最后看一次结果。

后来我把它改成“回声传递协议”。

最终上线的流程改成了平行链传递：

1. 所有真人玩家抽卡决定顺序

2. 每位玩家先为自己的一条链选择原始词

3. 所有人同时把自己刚选的词画出来

4. 后续步骤中，每人接收上家留给自己链路的内容，按节奏交替完成“猜词”或“作画”

5. N 名玩家会形成 N 条同时推进的人类链，而不是只围着一条链依次等待

6. 系统最终同时揭晓所有链路及其语义评判

这个流程的关键不是“画得像不像”，而是：概念能不能沿着每一条人类链持续传下去？

与此同时，ARGUS-0 会在每一条链的画作出现后偷偷扫描，形成与人类链并行的机器暗线。

最终结果会并排展示每条链的两个视角：

• 人类链：原词 → 画作/猜测 → 后续传递结果

• ARGUS-0 暗线：每一幅画被中央分类主机识别成什么

RELAY-7 负责判断每条人类链的每一跳是否连贯。

ARGUS-0 负责判断机器是否追踪到了该链的原始概念。

这样，回声传递就变成了一个真正体现项目主旨的模式。

---

七、四象限结局：把“人机对抗”具体化

最初回声传递只有两种结果：连贯和断裂。

这只能说明人类链条有没有传下去，却没有体现 ARGUS-0 的对抗作用。

后来我改成了四象限结局：

人类链路	ARGUS-0 暗线	结局
连贯	未追踪	完美传递
连贯	已追踪	暴露传递
断裂	未追踪	混沌噪声
断裂	已追踪	分类接管

每条链会独立落入这四种结局之一，结算页再汇总本局的人类传递与机器追踪情况。这让项目主旨变得非常清楚。

完美传递

人类链路保持连贯，ARGUS-0 没有追踪到原始概念。

这是最理想的结果：人类懂了，AI 没懂。

暴露传递

人类链路保持连贯，但 ARGUS-0 也追踪到了。

这说明玩家之间传递成功，但表达方式还不够隐蔽。

混沌噪声

ARGUS-0 没懂，但人类链路也断了。

这不是胜利，而是双方都没理解。它提醒玩家：让 AI 看不懂不等于让同伴懂。

分类接管

人类链路断裂，ARGUS-0 反而追踪到了原始概念。

这是最危险的结果：概念在人类之间丢失，却被机器分类系统捕获。

这个设计让我觉得项目终于从“AI 猜词游戏”变成了“人机理解差异实验”。

---

八、AI 识别解释：从答案到证据链

除了 Agent 和 RELAY-7，本阶段我也继续关注 ARGUS-0 的解释性。

如果 AI 只是输出：

我猜是猫。

那么技术含量和展示效果都比较弱。

所以现在更强调：

• 它猜了什么

• 置信度是多少

• 它看到了哪些图形特征

• 它为什么做出这个判断

• 人类和机器的理解差异在哪里

比如在回合结果里，ARGUS-0 可以输出类似：

我观察到两个尖角、一个方形主体和两个圆点，整体更接近猫脸。

这比单纯显示“猫 80%”更有解释性。

对于我的模块来说，这一点很重要。因为我负责的不只是调用多模态模型，还要让识别结果能够被玩家、老师和后续报告理解。

---

九、心理解读模块在这一阶段的位置

本阶段主要写 AI 系统升级，但心理解读模块也和它有联系。

项目里的“心理报告”并不是医学意义上的心理诊断，而是基于绘画行为的表达策略分析。

它使用的数据包括：

• 笔画数量

• 绘画时长

• 平均笔速

• 停顿和撤销

• 画面覆盖率

• 用色数量

• 对称性和拐点密度

这些数据会生成两类结果：

1. Agent 私密研究 从友善 Agent 视角描述玩家的画风和表达习惯。

2. ARGUS 监测档案 从中央分类系统视角分析玩家如何被识别、误识别或逃逸。

这一点和前面的 AI 分工是一致的：

• Agent 视角更像陪伴和观察

• ARGUS-0 视角更像分类和归档

同一份绘画行为数据，在两个 AI 视角下会产生不同解释。这也是项目叙事和技术设计结合得比较自然的地方。

---

十、AI 辅助开发记录

这一阶段继续使用 AI 辅助开发，但比前几次更明显地感受到：AI 适合帮助我梳理结构，但最终取舍必须由人来做。

第一轮：讨论“真实 Agent 接入”是否会冲突主旨

我一开始担心一个问题：

项目主题是“骗过 AI，让人类懂你”，那为什么还要让 Agent 加入游戏？这会不会和对抗 AI 冲突？

AI 给出的建议是区分“分类型 AI”和“协作型 AI”。

这对我很有帮助。因为它让我意识到，项目不是简单的人类 vs 所有 AI，而是：人类和协作型 Agent 一起传递想象，对抗负责分类和归档的 ARGUS-0，这也成为后面叙事设计的基础。

第二轮：设计 RELAY-7 的职责

我向 AI 描述了接力模式的新想法：

A 画，B 猜并画，C 再猜并画。玩家要保证人类能懂，又要保证 ARGUS-0 看不懂。但怎么判断输赢？

AI 建议把判断拆成两条线：

1. 人类链路是否连贯

2. ARGUS-0 是否追踪到原始概念

这直接推动了后来四象限结局的设计。

第三轮：前端展示时避免信息过载

回声传递揭晓页需要展示很多内容：原词、每个玩家的猜测、ARGUS-0 暗线、RELAY-7 分数、最终结局。

我最初担心页面会太复杂。AI 的建议是先突出结局，再把两条链并排展示，最后展示 RELAY-7 每一跳的解释。

最后前端结构也基本按这个思路实现：

• 顶部显示四象限结局

• 中间展示人类链和 ARGUS-0 暗线

• 底部展示 RELAY-7 语义校准

第四轮：区分“新功能”和“收束主线”

这一阶段项目功能已经很多，我也一度想继续增加更多互动。AI 提醒我：接下来不能再无限加功能，而是要把已有功能都收束到主线。

这让我意识到，成熟项目不是功能越多越好，而是每个功能都能解释为什么存在。

---

十一、本阶段遇到的问题

问题 1：AI 角色太多，容易让人混乱

解决方法是给每类 AI 明确命名和职责：

• ARGUS-0：分类识别

• 觉醒 Agent：协作陪玩

• RELAY-7：语义校准

• MCP Agent：外部接入

答辩时也应该按这个结构讲，而不是笼统地说“我们用了 AI”。

问题 2：回声传递如果只看连贯度，对抗感不足

最初的结局只有连贯和断裂，确实不能体现 ARGUS-0 的压力。

后来加入 ARGUS-0 暗线和四象限结局后，人机对抗感明显增强。

问题 3：语义判断不能完全依赖大模型

RELAY-7 如果每次都调用大模型，可能会遇到延迟或失败。

所以设计中保留了本地降级规则，例如完全相等、包含关系、同分类等。这样即使模型调用失败，游戏流程也不会中断。

问题 4：MCP 接入需要持续同步文档

外部 Agent 依赖文档理解工具。如果玩法变了，MCP 文档必须同步更新。

这提醒我，接口文档不是最后才写的说明书，而是功能的一部分。

---

十二、个人思考

这一阶段最大的收获，是我对“AI 模块负责人”的理解变了。

一开始我以为这个角色主要是负责接入模型，让 AI 能看图、能猜词、能生成报告。

但做到现在，我发现更重要的是设计 AI 在系统中的位置。

同样是 AI：

• 如果它站在玩家对面，它就是 ARGUS-0

• 如果它站在玩家身边，它就是觉醒 Agent

• 如果它站在规则中间，它就是 RELAY-7

• 如果它从系统外部接入，它就是 MCP Agent

它们使用的可能都是大模型或相关算法，但在游戏里的意义完全不同。

这也让我觉得，AI 功能不能只从“模型能力”角度评价，还要从“它在系统中扮演什么角色”来评价。

对最终答辩来说，我也更清楚自己应该怎么讲：

我的工作不是简单调用识图 API，而是围绕图像识别、语义判断、Agent 协作和表达策略分析，构建了一套多角色 AI 系统。

---

十三、下一步计划

1. 停止继续扩展新玩法，进入收尾和稳定性测试

2. 完整走通四种模式的 AI 流程

3. 准备能展示 MCP Agent 接入的演示路径

4. 整理 AI 识别、RELAY-7、Agent、心理报告之间的数据流

5. 为最终博客和答辩材料准备一套简洁的项目主线

---

十四、本阶段总结

本阶段完成的核心不是单个功能，而是 AI 模块的系统化升级。

从前几周的图像识别、响应解析、画风建模，到第七篇的内置 Agent 玩家，再到现在的 MCP Agent、RELAY-7 和回声传递，AI 已经不再只是后台接口，而是进入了游戏规则、玩法结构和叙事表达。

现在项目中的 AI 可以分为四类：

• ARGUS-0：负责分类、识别和追踪

• 觉醒 Agent：负责协作、陪伴和参与

• RELAY-7：负责语义校准和链路判断

• MCP Agent：负责外部真实智能体接入

这套设计让“骗过 AI，让人类懂你”不再只是宣传语，而是落实到了具体机制中：

• 标准模式里，人类猜对而 ARGUS-0 猜错

• 回声传递里，人类链路连贯而 ARGUS-0 暗线未追踪

• 报告系统里，同一份画作被不同 AI 视角解释

对我来说，这一阶段也标志着 AI 模块从“能用”走向“有结构、有叙事、有解释力”。