文章核心观点 - 公司通过构建游戏研发知识工程体系、多Agent系统和AI代码审查，解决了游戏研发中代码理解成本高、技术文档缺失等核心痛点，显著提升了研发效能 [2][4][6] - 该AI超级助手系统已在公司内部广泛应用，一个月能贡献约500万行代码，在几十个游戏项目中使用率达到了30% [41] - 未来的核心方向是将体系演进为“团队大脑”，实现团队记忆的维持和多角色AI Agent的体系化协同 [53][55] 游戏研发的痛点与挑战 - 游戏研发人员花费最多时间的环节是代码理解而非代码编写，这与千万行级别的代码仓库带来的巨大理解成本有关 [4] - 约30%的人认为游戏研发缺乏清晰及时的技术文档，约28%的人认为快速复用上线导致技术债务积累 [6] - 游戏研发管线比传统Web开发复杂，测试、编译、调试速度缓慢，审查大量代码耗时过长 [6] - 在大型游戏团队中，员工每天可能花费20%的时间去获取各种信息，对效率阻碍很大 [23] 游戏研发知识工程体系构建 - 知识工程体系对企业内部数据进行系统化治理、挖掘与应用，构建支撑AI Agent运行的知识体系 [14] - 将知识分为显性知识和隐性知识：显性知识通过治理已有知识管理系统、工单系统、代码仓库数据并实现Agentic RAG来完成 [17]；隐性知识通过解析代码目录结构、基于AST和调用流进行语义化解读、挖掘调用关系链来构建代码知识图谱 [19] - 打通工单与提交记录的关联，形成具有业务背景知识的代码解读结果，构建出包含调用关系、语义解读、复杂度洞察的“代码地图” [22] - 知识体系形成正向循环，使用过程中产生的数据回流补充团队知识库，使知识“活”起来 [27] 多Agent系统赋能代码编写 - 在知识底座上构建云端多Agent系统，以应对庞大游戏代码仓库的需求 [28] - 从团队角度构建“研发空间”，将团队隐藏知识显性化，定义SDK版本、引擎版本、编码风格等，使AI生成代码更符合团队规范 [32] - 系统架构的核心差异在于提供给Agent的上下文信息，通过核心Agent进行规划拆解和协调内部工具与数据 [33] - 该模式应用于新人学习，使熟悉4万行代码的时间从预估两周缩短至一两天，释放了导师负担 [37] AI代码审查助力研发质量 - 在AI生成代码占30%的背景下，针对人工编写的70%代码，结合传统静态代码分析与AI审查进行质量把控 [44] - AI审查适合游戏场景，因其擅长发现低级错误、可持续工作（如夜间审查），基本不占用开发人员时间 [45] - 技术演进经历多个阶段：从初期Prompt工程效果不佳，到结合静态分析双引擎，再到引入Multi-Agent协同架构对问题分类分级，并融入知识工程解决不懂业务的问题 [46][47] - 最终形态与流水线、工单系统集成，实现中央化管理，错误数据被沉淀下来，价值巨大 [52] 落地应用效果与未来方向 - 系统在代码搜索、知识问答、功能迭代、新功能编写等场景有不错落地效果 [2] - 工具在游戏团队中的使用率达到30%，一个月能贡献约500万行代码，分布在几十个游戏中 [41] - 未来核心是构建“团队大脑”，维持团队记忆，整合策划文档、研发规范、工单经验、IM沟通结论等零散内容 [53] - 目标是实现策划、研发、美术、QA等多角色AI Agent的体系化协同工作 [55]