Hao的游戏PM笔记 - 节目列表

📝 本期摘要 2026年，游戏行业AI工具采纳率已超过90%，但超过半数从业者认为生成式AI对行业产生了负面影响。本期从一线游戏PM的视角出发，探讨了AI效率提升背后的四个真实困境：省下来的时间被组织填满、从业者角色从执行者退化为质检员、团队协作因不同环节的AI采纳差距而失速、以及60分到100分之间的能力鸿沟反而变得更有价值。同时分享了那些在AI时代真正获益的游戏人的共同特征——他们不追工具，追工作流。 ❓ 本期讨论了这些问题 * AI提升了73%开发者的效率，为什么行业焦虑反而在上升？ * 当从业者的角色从执行者变成AI的质检员，下一步会变成什么？ * 为什么AI在个人层面落地顺利，到了跨团队协作就全部撞墙？ * AI能快速拿到60分，从60分到100分的路为什么AI走不了？ * 当AI能做80%的执行工作时，游戏从业者靠什么留在牌桌上？ 🔥 本期核心内容 1. 效率陷阱：AI提了产能天花板，没有帮人省时间 Unity报告显示73%开发者认为AI提升效率，Google Cloud调研90%已在使用AI。但GDC 2026调研中52%从业者认为生成式AI产生负面影响，较去年上升22个百分点。省下来的时间被填进了更多的任务里，产能提升没有配套节奏管理，变成新一轮内卷——以前卷加班时长，现在卷产出密度。 1. 角色反转：从「我指挥AI」到「AI指挥我」 越来越多从业者的工作变成给AI提供上下文、抽检产出。部分团队已搭建「AI验证AI」流程，人的角色从质检员进一步退到流程设计者。PM的信息枢纽和判断中心优势正在被AI Agent压缩。大部分人的焦虑根源不是AI太强，而是没想清楚自己工作中哪些环节AI真正替不了。 1. 协作失速：AI加速了个人，但没有加速对齐 沃顿商学院研究发现，20家游戏工作室在个人层面引入AI顺利，但跨团队工作流几乎全部撞墙。瓶颈在于「隐性知识」——写不进文档的默契和上下文。不同部门AI采纳差距导致接口处摩擦成倍增加。AI写出的战略文档可能「文字全对，但无法产生承诺感」。 1. 60分到100分：AI帮不了的那段路价值最高 AI可以快速拿到60分的起点，但业务理解、行业体感、审美判断和经验直觉是AI无法替代的。真正获益的人把AI嵌进工作流而非当搜索引擎用、清楚人和AI的边界、追工作流设计思路而非追具体工具。 🏷️ 本期提到的人物与概念 人物：Craig Robinson / Games and AI 作者，前游戏公司高管 机构：Unity、Google Cloud、Skillsearch、GDC / Game Developers Conference、沃顿商学院 / Wharton School Generative AI Labs、游戏葡萄、脉脉、Aftermath 概念：效率陷阱 / Efficiency Trap、AI Agent、隐性知识 / Tacit Knowledge、渗透岗、产能天花板 📌 关于我 我是 Hao，游戏行业项目管理从业者，10年经验。 课程 · 咨询 · PM成长社区 → pmnote.ai

📝 本期摘要 当一个大型互联网团队超过90%的代码由AI生成后，他们发现系统复杂度的增长远超维护能力——根源不在代码质量，而在需求端的失控。 AI压缩了交付周期，也降低了提需门槛，"先做做看"成为默认心态。 这个问题在游戏项目中尤为严重，因为系统间的高耦合度让一个需求的返工代价远高于互联网产品。 本期从需求失控的根因、游戏项目的特殊性、以及PM可落地的三个应对策略三个层面展开讨论。 ❓ 本期讨论了这些问题 * AI Coding为什么导致需求端失控而非代码端出问题？ * 为什么游戏项目的技术债比互联网产品积累得更快？ * 组织的激励结构如何推动"做更多"而非"做更对"？ * PM如何在自己的影响范围内守住需求入口？ * AI应该被用来生成需求文档还是审查需求文档？ 🔥 本期核心内容 1. AI Coding的最大风险在需求端，不在代码端 AI压缩了交付周期，需求方的心理门槛随之降低。"先做做看"成为默认选项，模糊需求和试探性需求大量涌入系统。单个需求看似合理，总量却在悄然失控，最终导致系统臃肿到无法快速迭代。 2. 游戏项目的"爆炸半径"远大于互联网产品 互联网产品模块相对独立，一个功能做砸了回滚即可。游戏项目中改一个战斗技能的判定方式，可能同时牵动动画、数值、碰撞、联机同步四个组。同样一个没想清楚的需求，在游戏项目里的返工成本是数倍级别的。 3. 重构治不了需求端的失控 代码审查、技术债清理、研发规范完善——这些都是下游筑坝。当每个人的KPI都在催"多做、快做"，没有人的考核指标是"这个需求不该做"。激励结构推着每个人做出局部最优、全局恶化的选择。 4. PM的三个可落地策略：换问题、锁需求、审而非写 需求评审从"能不能做"升级为"值不值得做"；用Feature Freeze在明确时间点后锁住新增需求；让AI辅助审查需求文档的边界条件和耦合点，而非只用来生成文档。这三个动作是PM在自己影响范围内能守住的阵地。 🏷️ 本期提到的人物与概念 概念：AI Coding、技术债 / Technical Debt、Feature Freeze、需求评审 / Requirements Review、系统耦合 / System Coupling、需求入口管理 / Requirements Gate 📌 关于我 我是 Hao，游戏行业项目管理从业者，10年经验。 课程 · 咨询 · PM成长社区 → pmnote.ai

📝 本期摘要 游戏行业长期以来有一种"天才叙事"——好产品是个人灵感的产物。但十年项目管理经验告诉我，真正让项目从PPT走到上线的，不是那一两个决定性的大判断，而是上千个"谁都知道该做但不是谁都能做到位"的执行决策。本期从一个朋友招人时的感慨切入，拆解"靠谱"的三层含义——做事有闭环、对输出负责、眼里有整个项目，探讨在团队规模越来越大、个人英雄主义逐渐退场的行业趋势下，为什么可预测性正在成为比创造性更稀缺的竞争力，以及游戏PM如何系统性地训练"靠谱"这项能力。 --- ❓ 本期讨论了这些问题 • 为什么游戏行业招人时"靠谱"比"有想法"更难找到？ • "靠谱"这个看似模糊的词，拆开来到底包含哪三层能力？ • 当项目规模从十几人膨胀到上百人，个人英雄主义为什么逐渐失效了？ • 为什么大多数项目问题的根因不是"不知道怎么做"，而是"知道但没做到位"？ • 游戏PM如何通过日常习惯系统性地训练自己的可靠性？ --- 🔥 本期核心内容 1. 做对一千个小判断才能真的成功 一个项目从立项到上线需要做对几百上千个决策，其中方向性的大判断可能只有一两个，剩下绝大多数是排期、需求拆分、风险管控这类执行决策。单个不需要天才，但加在一起决定了项目能不能交付。 2. 靠谱的三层递进：闭环→负责→全局视角 第一层是主动给反馈不让人追着问，第二层是确保自己的产出下游能直接用，第三层是站在整个项目而非单个模块的角度做判断。三层递进，区分度逐层拉高。 3. 在复杂系统里，可预测性比创造性更稀缺 技术能力强但行为不可预测的人放在关键位置，不确定性会沿协作链条传导到所有下游。一个不那么耀眼但极其靠谱的人接手后，项目反而跑得更顺。 4. 对游戏PM的实操建议：闭环习惯、不追求高光、做串联者 不要追求高光时刻，真正定义靠谱的是每天处理的不起眼的事。建立当天同步进度的闭环习惯。关注模块之间的缝隙和信息差，做协作链条的串联者而非单点管理员。 --- 🏷️ 本期提到的人物与概念 概念：靠谱 / Reliability、闭环 / Closed-loop、可预测性 / Predictability、协作链条 / Collaboration Chain、信息黑洞 / Information Black Hole --- 📌 关于我 我是 Hao，游戏行业项目管理从业者，10年经验。 课程 · 咨询 · PM成长社区 → pmnote.ai

📋 本期信息 * 原始来源：「Hao的游戏PM笔记」原创长文 📝 本期摘要 这期聊的是游戏团队在AI时代真正的护城河——不是技术，不是资金，而是组织形态。通过育碧、BioWare、米哈游、网易和Riot Games的案例，分析了组织结构如何决定一个团队能吸引什么样的人、做出什么样的决策、识别什么样的风险。对管理者来说，关键在于决策权跟着信息走、结构承诺和口头承诺一致、扩张前想清楚为什么需要更多人。对从业者来说，选择一个组织，本质上是在选择你会变成什么样的人。 ❓ 本期讨论了这些问题 * 为什么有些游戏团队技术不差、钱也够，产出却在缩水？ * 组织形态如何筛选和塑造团队中的人？ * 米哈游的「team of teams」模式在规模扩张后遇到了什么问题？ * 管理者搭建组织结构时最容易忽略的三个关键点是什么？ * 从业者选择团队时，怎么判断一个组织的形态适不适合自己？ 🔥 本期核心内容 1. 产品可以被模仿，组织形态极难复制 育碧巅峰期六年六部刺客信条，但资深员工流失、组织膨胀后产出反而缩水。BioWare做圣歌开发六年核心玩法最后两年才定。两个案例的共同点：技术、资金、人力都不缺，但组织结构决定了决策质量和人才发挥空间。 2. 扁平结构在规模膨胀后会失控 米哈游追求「team of teams」的扁平网状结构，但Project SH的教训表明，目标不明确时快速招人会让决策和执行同时变形。扁平结构在50人时靠默契运转，到500人时每个节点掌握全局信息的难度急剧上升。 3. 制作人集权是一种结构性风险 网易部分项目中制作人掌控从开发到宣发的所有环节，缺乏有效制衡。决策风险集中在单一节点上，一旦判断失误整条线跟着翻车。射雕和天启行动的结果证明了这种模式的脆弱性。 4. 组织形态决定你会变成什么样的人 对管理者：决策权跟着信息走而非职级走、结构承诺和口头承诺保持一致、扩张前想清楚为什么需要更多人。对从业者：区分一个团队是让你「觉得被选中」还是「被真正看到」——前者是情感驱动，后者是结构保障。Riot Games的案例说明，好的组织形态能批量培养出有独立判断力的人。 🏷️ 本期提到的人物与概念 人物：Alex Hutchinson / 蔡浩宇 公司/产品：育碧 / Ubisoft、BioWare、米哈游 / miHoYo、网易 / NetEase、Riot Games、EA 游戏：刺客信条 / Assassin's Creed、英灵殿 / Valhalla、圣歌 / Anthem、龙腾世纪审判 / Dragon Age Inquisition、射雕、天启行动 概念：Team of Teams、组织形态 / Organizational Structure、制作人集权、决策权下放 📌 关于我 我是 Hao，游戏行业项目管理从业者，9年经验。 课程 · 咨询 · PM成长社区 → pmnote.ai

内容摘要 游戏行业9年PM从业者Hao，基于茹炳晟老师提出的AI Native产品经理成长框架，将游戏从业者与AI的关系拆解为四个阶段：工具提效、管线嵌入、工作流重构、判断力竞争。从策划用AI写文档到AI重写研发管线，从"用AI检查AI"的守门员模式到"越底层越确定、越顶层越灵活"的新三层架构，逐层剖析每个阶段的核心挑战与实操思路。最终结论是：当所有团队都用上了差不多的AI，拉开差距的不是技术，而是谁更懂自己的玩家、谁知道什么时候该克制。 本期讨论了这些问题 游戏从业者使用AI的四个阶段分别面临什么核心挑战？ 为什么AI嵌入工作流程比AI作为独立入口更有价值？ 怎么在需要确定性的游戏系统里用好不确定的AI工具？ 当策划能用AI独立验证玩法原型，研发协作模式会发生什么变化？ AI工具全面普及后，游戏团队之间比的到底是什么？ 本期核心内容 从消耗型到投资型：AI提效的真正门槛 策划花两小时跟AI打磨出的数值检查框架，保存下来反复用就是投资，每次从零开始就是消耗。AI工具人人能用，但你积累的判断标准和工作流模板是别人拿不走的竞争力。 AI嵌入流程比AI作为入口更有价值 在关卡编辑器里右键出现"自动生成过渡地形"，比让策划切出去打开聊天窗口输入需求，效率和体验都高一个量级。好的AI功能应该像输入法纠错——用户感觉不到它存在，但操作更顺畅了。 用AI检查AI：确定性系统里的守门员模式 游戏研发大量环节需要100%确定性，而AI天然是概率性的。解法是让专门的验证模型做守门员：检查NPC对话是否符合世界观、AI关卡是否可通关、装备推荐是否平衡。 新三层架构与PM角色的变化 工具链从"前端→后端→数据库"走向"意图理解→任务编排→确定性执行"，越底层越确定、越顶层越灵活。PM思考的问题不再是"做什么feature"，而是"哪些环节交给AI、哪些保持确定性、哪些需要人拍板"。 最后比的是判断力和克制 当所有团队都用差不多的AI技术，拉开差距的是谁更懂自己的玩家。养成系统做收集感还是成长感、付费底线在哪、什么feature会打断体验——这些取舍AI做不了。知道什么该AI化、什么该保持简单，本身就是核心能力。 本期提到的人物与概念 人物：茹炳晟 / Ru Bingsheng 概念：AI Native产品经理 / AI Native Product Manager、守门员模式 / Guardian Model、新三层架构 / New Three-Layer Architecture、Human-in-the-Loop、消耗型vs投资型AI使用 / Consumptive vs Investment AI Usage 关于我 我是 Hao，游戏行业项目管理从业者，9年经验。 课程 · 咨询 · PM成长社区 → pmnote.ai

📝 本期摘要 《纽约时报》记者 Jasmine Sun 采访了五十多位技术研究者、经济学家和政策专家后发现，硅谷内部正在形成一个令人不安的共识：先进AI将在短期内大规模替代知识工作岗位，普通人的经济议价能力可能消失，财富和权力进一步向AI公司和资本所有者集中。"永久底层阶级"这个概念虽然极端，但它折射出的焦虑是真实的——从OpenAI的GDPVal测试方向、到企业提前裁员、到AI公司自身研究揭示的技能退化问题。本期从游戏行业项目管理的视角，拆解了这篇报道的3个层面，并讨论了AI对游戏研发团队的实际影响和从业者的应对方向。 ❓ 本期讨论了这些问题 * 为什么OpenAI的GDPVal测试方向本身就是在测"AI能否替代高薪专业人士"？ * 为什么AI公司嘴上说"增强人类"，实际研发方向却全部指向Agent？ * Anthropic的研究发现初级工程师依赖AI后技能下降17%，这对游戏行业意味着什么？ * 中国和美国对AI就业冲击的焦虑程度为什么差异巨大？ * 游戏行业的"AI使用深度分水岭"正在如何重塑团队之间的竞争格局？ 🔥 本期核心内容 1. AI评测基准的导向就是"替代" OpenAI的GDPVal测试覆盖44个高薪职业的1320个真实任务，从GPT-4o到GPT-5一年内得分提升三倍，模型对人类专业人士的胜率已超过80%。测试设计的目标不是"辅助"，而是直接对标人类专家的工作产出。 2. "增强还是自动化"跟技术无关，是商业环境决定的 同一个AI工具对资深从业者是杠杆、对初级从业者是替代品；在增长型公司是增强、在收缩型公司是自动化。AI公司无法控制客户如何使用产品，而所有研发激励都指向更自主的Agent。 3. AI公司的研究正在打自己的脸 Anthropic研究显示过度依赖AI编程的初级工程师技能下降17%，但公司自身靠Claude Code年化收入达300亿美元。OpenAI白皮书提出32小时工作周和公共财富基金等激进想法，但缺乏任何执行路径和游说承诺。 4. 中国视角提供了重要参照 中国劳动力成本低、就业竞争本已激烈、政策对裁员更谨慎，导致AI就业恐慌远低于美国。同样的技术在不同的经济土壤里产生完全不同的结果，说明"永久底层阶级"确实是政策选择而非技术宿命。 5. 游戏行业正在经历微缩版的"阶级分化" 团队内部AI使用深度的差距正在制造数量级的产能差异。对游戏PM来说，排期模型、资源分配、岗位价值定义都需要根本性重构——AI时代的项目管理不是做得更快，而是需要重新理解"人的价值"在哪里。 🏷️ 本期提到的人物与概念 人物：Jasmine Sun、Sam Altman、Dario Amodei、Tejal Patwardhan、Steven Adler、Yash Kadadi、Alex Karp / Alex Karp、Carl Benedikt Frey 公司/产品：OpenAI、Anthropic、Claude Code、GDPVal、Block、Palantir 概念：永久底层阶级 / Permanent Underclass、增强vs自动化 / Augmentation vs Automation、杰文斯悖论 / Jevons Paradox、公共财富基金 / Public Wealth Fund、技能退化 / Skill Degradation 📌 关于我 我是 Hao，游戏行业项目管理从业者，10年经验。 课程 · 咨询 · PM成长社区 → pmnote.ai 参考资料 * Silicon Valley Is Bracing for a Permanent Underclass - The New York Times * Notes on AI, Labor, and China - Jasmine Sun Substack * GDPval: Measuring the performance of our models on real-world tasks - OpenAI * Industrial Policy for the Intelligence Age - OpenAI White Paper * How AI assistance impacts the formation of coding skills - Anthropic

📝 本期摘要 游戏行业过去十年最稳定的人才传送带——实习、校招、基础执行、慢慢成长为骨干——正在从中间断裂。脉脉数据显示新发岗位七成以上要求3年经验，面向新人的岗位缩减20%。斯坦福研究发现AI渗透率最高的白领岗位中，22-25岁年轻人就业率下降6%-16%。Hao从游戏行业"师徒制"特性出发，分析AI为什么恰好切断了新人积累判断力的入口，并分别给新人和老团队提出了具体的应对动作——核心是把"判断"和"执行"压在同一个动作里练，把沉淀的对象从结果换成判断。 ❓ 本期讨论了这些问题 * 为什么AI替代的不是"工作"，而是"工作经验的入口"？ * 游戏行业的"师徒制"培养模式为什么比其他行业更容易被AI冲击？ * 当执行被压缩，新人怎么在更短时间里长出判断力？ * 老团队过去的经验沉淀方式为什么正在被AI贬值？ * 如何把AI从"替你想的工具"变成"逼问自己的工具"？ 🔥 本期核心内容 1. 人才断层的本质是能力形成机制在断裂 斯坦福研究显示AI渗透率最高的岗位中，22-25岁群体就业率下降6%-16%，35岁以上反而增长6%-9%。AI接管的恰好是新人赖以入场的基础执行工作——整理文档、debug代码、跑报表——这些曾是训练判断力的训练场。 1. 游戏行业的"师徒制"让断层更深 游戏行业的判断力高度依赖重复执行中的隐性积累：PM的版本节奏感、策划的数值手感、美术的风格把控。AI压缩了执行量，新人两三个月消化完过去一年的工作量，但"做完了"不等于"做明白了"——速度变快，判断力密度反而变稀。 1. 新人的出路：把判断和执行压在同一个动作里 三个具体动作：执行前先问"为什么是这个不是那个"；用AI做"逼问自己的工具"而非替你想的工具；把每次卡点单独存档作为判断力训练样本。主动找有反馈的执行工作（Game Jam、竞品分析）替代正在消失的公司内基础岗位。 1. 老团队需要从沉淀"结果"转向沉淀"判断" 文档化沉淀的是"做了什么"，人头化依赖单点——两种方式都在被AI贬值。出路是把复盘从看结果转到看判断、把AI审核变成新人训练场、让新人更早介入决策场景、让"判断质量"成为被考核认可的产出。 🏷️ 本期提到的人物与概念 人物：Marc Benioff / Salesforce CEO、Dario Amodei / Anthropic CEO 机构：斯坦福数字经济实验室 / Stanford Digital Economy Lab、世界经济论坛 / World Economic Forum、脉脉 概念：人才断层 / Talent Pipeline Gap、师徒制 / Apprenticeship Model、判断力密度 / Judgment Density、AI Agent、Game Jam 📌 关于我 我是 Hao，游戏行业项目管理从业者，9年经验。 课程 · 咨询 · PM成长社区 → pmnote.ai

【本期简介】 最近跟不同公司的朋友聊AI,大家都觉得有什么"对不上"了——发行的立项标准筛出来的项目"看着对,做下去就觉得不对";独立团队的人天和成本估计在尺度上失灵;大厂花一年做的内部AI工具,上线那天就过时。 这些零散的现象指向同一件事——游戏行业过去三十年用来判断"什么是好的、什么是稀缺的、什么值得追"的旧标尺,正在悄悄失灵。 这期节目,我会先讲清楚上游AI行业最近半年到底发生了什么,再聊这种震荡怎么传导到游戏行业,具体让哪三把标尺失灵了——工时、简历、大厂。最后落到中小团队和个人,聊聊我们到底应该怎么换尺子。 适合PM、团队负责人、正在准备跳槽或者中小团队里推AI转型的朋友收听。 【本期金句】 我们手里那些用来判断"什么是好的、什么是稀缺的、什么值得追"的旧标尺,正在悄悄失灵。 公司没省钱,只是把"人的成本"换成了"token的成本"。 你今天对AI的认知,六个月之后大概率是不准的。 经验里那部分跟具体工具和具体流程绑定的"工艺型经验",正在快速贬值。 简历的核心要素正在从"你的过去有多厚"变成"你的认知更新有多快"。 船大难掉头是个老常识。但在AI这一轮里,"难掉头"不再以年为单位,而是以月为单位。 敏捷本身就是一种资源。在AI这一轮里,这种资源比技术储备更值钱。 当所有标尺都在失灵的时候,真正稀缺的不是经验、不是title、不是大厂背景——而是重新校准自己的能力。 【主播介绍】 Hao,游戏行业项目经理,从业近10年。在公众号、B站、小红书同名"Hao的游戏PM笔记"持续分享游戏项目管理的实战经验和AI时代的工作方法。 【相关资源】 * PM成长社区:每天更新工作思考与复盘,聚集游戏行业PM和想转行做PM的朋友 * 课程体系:游戏PM入行课、《从执行者到架构师》进阶课、游戏PM的AI提效课 * 一对一服务:游戏PM模拟面试、简历优化 详情可以访问 pmnote.ai,或者在小红书"Hao的游戏PM笔记"后台联系。 【欢迎】 如果这期内容对你有启发,欢迎在评论区聊聊你手里那把"正在失灵"的标尺是哪一把。 如果你身边有正在做PM、带团队、准备跳槽的朋友,也欢迎把这期节目分享给他们。

【本期话题】 开了很多AI工具会员之后,我发现一个残酷真相——不是AI不够强,是我跟不上了。这期聊一个很少有人正面讨论、但每个深度使用AI的人迟早会撞上的问题:决策带宽的上限。 【内容提要】 * 个人AI使用反思:开了所有工具,钱浪费了,更关键的是我成了瓶颈 * 为什么AI产出必须人来验收:验收比想象中累得多 * 放手让AI做的代价:决策质量下降,反而得不偿失 * 核心矛盾:执行带宽可以无限扩展,决策带宽不能 * PM真正有价值的能力:高质量验收和决策AI产出 * 对不同阶段的人的具体启示:年轻人、有积累的、管理者 【金句摘录】 * AI可以无限扩展执行带宽,但人的决策带宽不可能同比例扩展 * AI放大的是你已有的能力,不是凭空给你能力 * PM真正有价值的能力,不是"能调用多少AI资源",而是"能高质量验收和决策多少AI产出" * AI的进化不会停,你的决策带宽是接下来拉开差距的关键变量 【相关内容】 * AI提效课:围绕游戏PM真实工作场景讲怎么用AI * 游戏PM进阶课《从执行者到架构师》 * PM成长社区:每天分享工作中的思考和复盘

本期信息 * 原始来源：《Agentic Design Patterns》Part Three & Part Four * 系列：智能体设计模式拆书 第4期（完结） 📝 本期摘要 这是智能体设计模式拆书系列的最后一期，聚焦把智能体从实验环境搬到生产环境时必须解决的问题。内容覆盖异常处理与恢复、人在回路中（Human-in-the-Loop）、安全护栏（Guardrails）、四种推理技术（链式思维 / 自我一致性 / 思维树 / 反事实推理）、评估与监控体系，以及多智能体通信架构（A2A）。最后从游戏项目管理的视角做全局收束：这 21 个智能体设计模式几乎都能在游戏研发管理中找到对应物，有效组织复杂工作的道理是相通的——PM 的核心能力和智能体系统设计高度重合，未来的 PM 角色正在从「执行者」向「架构师」进化。 ❓ 本期讨论了这些问题 * 智能体在生产环境中卡住或出错时，应该怎么决定是重试、回退还是求助人类？ * Human-in-the-Loop 有哪几种集成方式，怎么根据决策风险选择介入程度？ * 安全护栏应该在哪几个层面设计，为什么不能等出了问题再补？ * 链式思维、自我一致性、思维树、反事实推理这四种推理技术分别解决什么问题？ * 怎么系统化地评估智能体表现，为什么只看任务完成率远远不够？ * 21 个智能体设计模式和游戏研发管理之间有什么结构性的对应关系？ 🔥 本期核心内容 1. 异常处理的核心挑战是「知道自己不行了」 生产环境里的智能体需要超时机制、回退策略和降级服务组合使用。最难的设计不是让它持续尝试，而是让它学会在合适的时候停下来——对一个被设计来解决问题的系统来说，「放弃」反而是最难学会的事。 1. Human-in-the-Loop 的选择取决于「错了的代价有多大」 从「审批后才继续」到「只有异常才上报」，书里讨论了多种人机协作模式。核心判断逻辑和项目管理中的授权完全一致——不是所有事都需要审批，但关键决策该走流程就得走。 1. 安全护栏是架构决策，不是事后补丁 输入验证、输出过滤、行为边界、审计追踪四层防护需要在系统设计阶段就内建进去。和软件工程里「安全设计」的原则一脉相承——不要假设智能体永远按预期行事。 1. 四种推理技术针对不同复杂度的问题 链式思维让模型「做功课」再给结论；自我一致性通过多次推理比对结果可靠性；思维树在分支点探索多条路径；反事实推理问「如果条件不同，结论还成立吗」。简单任务可能用不到，但复杂多步任务的质量差异非常大。 1. 评估不只看结果，过程指标同样关键 步数、工具调用次数、耗时、自我纠正频率——这些过程指标对优化至关重要。「漂移检测」监控智能体行为是否逐渐偏离预期，因为有些变化是在变聪明，有些是在偏离目标。 1. 21 个设计模式和游戏研发管理的对应关系 提示链对应标准化流程，路由对应需求分级，反思对应评审机制，记忆管理对应知识沉淀，护栏对应质量门禁。这给 PM 带来双重启示：已有的管理思维可以直接理解智能体系统，而智能体设计模式也能反哺项目管理实践——信息策展、分层记忆、内建约束。 🏷️ 本期提到的人物与概念 概念：异常处理与恢复 / Exception Handling and Recovery，人在回路中 / Human-in-the-Loop，安全护栏 / Guardrails，链式思维 / Chain of Thought，自我一致性 / Self-Consistency，思维树 / Tree of Thought，反事实推理 / Counterfactual Reasoning，漂移检测 / Drift Detection，智能体间通信 / Agent-to-Agent (A2A)，资源感知优化 / Resource-Aware Optimization 书籍：《Agentic Design Patterns》 📌 关于我 我是 Hao，游戏行业项目管理从业者，9年经验。 课程 · 咨询 · PM成长社区 → pmnote.ai

本期信息 原始来源：《Agentic Design Patterns》拆书系列 第三期 系列：智能体设计模式拆书（4期连载，本期 3/4） 本期摘要 这是《智能体设计模式》拆书系列的第三期，聚焦五个进阶模式：记忆管理（Memory Management）、学习与适应（Learning and Adaptation）、MCP（Model Context Protocol）、目标设定与监控（Goal Setting and Monitoring）、以及知识检索/RAG（Retrieval-Augmented Generation）。如果说前两期讲的是智能体怎么干活，这期解决的是智能体怎么变得越来越好用——从无状态的一次性工具，进化为有记忆、能学习、能连接外部工具、能自主规划的长期协作者。Hao 从游戏项目管理的实战视角出发，将这五个模式与团队信息管理、流程优化、工具链整合和知识沉淀做了具体对照，并分享了自己搭建 AI 指令体系的实践经验。 本期讨论了这些问题 为什么大语言模型需要记忆管理，记忆系统应该记什么、忘什么？ 智能体如何从用户反馈和自身经验中学习，而不是每次都犯同样的错？ MCP 协议到底解决了什么问题，为什么说它是智能体的「万能接口」？ 智能体能不能像项目经理一样自己拆解目标、追踪进度、处理冲突？ RAG 检索增强生成的核心瓶颈不在模型而在检索，怎么理解这件事？ 本期核心内容 记忆管理是智能体从工具升级为伙伴的关键一步 大语言模型本身无状态，每次对话从零开始。记忆管理通过短期记忆（当前对话上下文）、长期记忆（跨对话的用户偏好和历史事实）、工作记忆（任务中间结果）三层结构，让智能体能够保存、检索和利用过去的信息。设计难点在于选择性存储和过时信息淘汰。 学习与适应让智能体从经验中改进，而不只是记住 包含三个层面：从显式反馈中学习（用户直接指出好坏）、从隐式反馈中学习（观察用户修改行为）、自动优化（智能体自行调整提示模板）。书中还提出「元学习」概念——智能体不仅改进具体任务，还改进自己的学习策略本身。 MCP 协议解决的是工具接入的规模化问题 在 MCP 出现之前，每接入一个新工具都要写定制集成代码。MCP 定义了一套标准交互格式——工具如何描述能力、智能体如何发送请求、工具如何返回结果——让任何符合规范的服务都能像原生功能一样被使用。类似游戏引擎的插件系统设计思路。 RAG 的核心不是模型有多强，而是检索有多准 RAG 解决了模型训练数据有截止时间和可能产生幻觉两个问题。提升检索质量的策略包括查询改写、多路检索和重排序，核心思路是让智能体在检索阶段就想清楚自己要找什么。 游戏行业视角：分层加载、流程自动优化、工具链串联和知识激活 记忆管理的「分层加载」对应 PM 的信息分层管理策略；学习与适应有望让流程优化不再依赖个人直觉，经验被编码进系统；MCP 有机会串联游戏行业碎片化的工具链（飞书、Git、Perforce、JIRA、企微）；RAG 则能激活团队中大量沉睡的策划文档和复盘总结。 本期提到的人物与概念 概念：记忆管理 / Memory Management、学习与适应 / Learning and Adaptation、MCP / Model Context Protocol、目标设定与监控 / Goal Setting and Monitoring、RAG / Retrieval-Augmented Generation、元学习 / Meta-Learning、向量数据库 / Vector Database、查询改写 / Query Rewriting、多路检索 / Multi-path Retrieval、重排序 / Re-ranking 关于我 我是 Hao，游戏行业项目管理从业者，9年经验。 课程 · 咨询 · PM成长社区 → pmnote.ai

本期信息 原始来源：《智能体设计模式》（Agentic Design Patterns）Part One 系列：智能体设计模式拆书 第2期（共4期） 本期摘要 这是《智能体设计模式》拆书系列的第二期，聚焦全书 Part One 的七个基础设计模式：提示链（Prompt Chaining）、路由（Routing）、并行化（Parallelization）、反思（Reflection）、工具使用（Tool Use）、规划（Planning）和多智能体协作（Multi-Agent Collaboration）。这七个模式是所有智能体系统的地基，从把复杂任务拆成流水线、到让多个专精智能体协作完成目标，覆盖了智能体「怎么干活」的完整逻辑。从游戏项目管理的视角来看，这七个模式和研发管线中的 SOP、需求分级、并行管线、代码审查、迭代规划、跨职能协作几乎一一对应——设计模式的抽象层级足够高时，描述的不是某种技术，而是「如何有效组织复杂工作」的通用逻辑。 本期讨论了这些问题 为什么不应该让大语言模型一步搞定复杂任务，提示链（Prompt Chaining）怎么解决这个问题？ 反思模式（Reflection）如何通过「生成-审查-改进」循环提升智能体输出质量？ 规划模式和提示链模式的核心区别是什么，为什么「边做边调」比「完美计划」更有效？ 多智能体协作中，决定成败的关键因素到底是个体能力还是通信机制？ 这七个智能体设计模式和游戏项目管理中的哪些实践是同构的？ 本期核心内容 提示链是智能体处理复杂任务的基本功 把大问题拆成一串小问题，前一步输出作后一步输入。一条复杂提示会导致指令忽视、上下文漂移和错误传播三种失败模式，而提示链通过步骤分离大幅降低犯错概率。步骤间用结构化格式（如 JSON）传递数据、给每一步设定不同角色，是两个关键的进阶用法。 路由和并行化解决的是效率问题 路由让智能体先判断输入类型再导向专业处理流程，实现专业化分工。并行化则识别没有依赖关系的子任务同时执行，和提示链结合可以大幅提升整体效率。这两个模式在游戏研发管线优化中有直接对应——美术资产并行制作、引擎集成串行等待。 反思模式和工具使用模式需要配合使用 反思让智能体对自己的输出进行审查-改进循环，多视角反思（不同角色从不同维度审查）进一步提升质量。工具使用让智能体接入外部能力，但最容易出问题的环节是对工具返回结果的解读，因此通常需要反思模式配合做二次校验。 规划模式的本质是迭代式调整，不是一次性完美计划 规划和提示链的区别在于：提示链是固定流程，规划是动态生成的执行方案。好的规划是「边做边调」，持续监控执行状态并修正偏差。这和项目管理中迭代式规划的思路一致——先有大方向，每个迭代根据实际情况调整。 七个模式映射的是「如何组织复杂工作」的通用逻辑 从游戏 PM 视角看，这七个模式和 SOP、需求分级、并行管线、代码审查、版本规划、跨职能协作几乎同构。管理智能体团队和管理人类团队面对的问题是同一类——都是协调问题——但具体挑战不同：人的协作瓶颈是沟通成本和情绪因素，智能体的瓶颈是上下文窗口限制和推理错误传播。 本期提到的人物与概念 概念：提示链 / Prompt Chaining、路由 / Routing、并行化 / Parallelization、反思 / Reflection、工具使用 / Tool Use、规划 / Planning、多智能体协作 / Multi-Agent Collaboration、指令忽视 / Instruction Ignoring、上下文漂移 / Context Drift、错误传播 / Error Propagation、函数调用 / Function Calling、智能体设计模式 / Agentic Design Patterns 关于我 我是 Hao，游戏行业项目管理从业者，9年经验。 课程 · 咨询 · PM成长社区 → pmnote.ai