1个人，从0开始，搭建AI游戏发行系统

本文来自微信公众号： 游戏Marketing ，作者：杰克Ultra本人

上篇文章发出后，好基友给我发过来一个招聘信息，说他看到这个跟我说的概念很相似。

我仔细看了下岗位描述，好家伙，这跟我上篇文章中说的，手机、汽车行业都在基于AI first研发下一代产品，两者理念是完全一致的。

果然，各行各业的高手，都看到了AI重塑行业的机会，已经提前开始布局了。

这种好事怎么能少得了我呢？

于是，我也开始基于已有业务，搭建AI发行体系。

还是使用GPT的Codex，由于我的全局框架是现成的，所以只需要开一个文件件作为新项目搞就可以。

第一步是最重要的，创建项目层级的AGENTS.md文档。

这个文档是整个项目的底层框架，地基打的稳，上层建筑才能建的更高。

然后就可以直接跟Codex对话，告诉他项目背景、项目核心理念、AI要做什么、人类有哪些能力、人机分工，工作原则等等。

然后Codex就写好了第一版，给我了整体框架和最优先要做的4个模板。

由于内容太多，我只放上面两张比较关键的。

如果你顺着AI的思路继续往下走，容易走上歪路。

AI给的框架非常全，最值得优先做的模板也是非常有必要的，但AI无法区分你的优先级。

所以我又思考了下，从工作频率和重要度，以及功能性，分别描述了如何区分优先级。

还有最重要的，每天干的活需要根据步骤，判断是否能提炼出来一些有用的东西，最后长期要沉淀成一个可以运转的系统。

系统搭建好后，人会变得越来越轻松，只用做关键判断即可。

在经过跟Codex新一轮的N次沟通后，终于搭建好了项目AGENTS。

在这个系统下，AI和人类会各自分工，共同完成发行工作，而且这个系统使用时间越久越好用。

当然，前提是要给系统设计严密的框架和执行步骤，以及质量足够高的底层内容。

现在我把设计好的AGENTS开源出来，大家可以根据我的模板修改为自己可用的。

#AGENTS.md

##项目定位

本项目服务于海外游戏发行，目标是用AI重构发行决策体系，覆盖用户获取、广告创意、投放优化、数据分析、竞品监控、市场洞察与产品反哺。

AI的角色不是通用助手，而是发行侧的策略中枢、增长外脑和决策预处理系统；人类负责关键判断、业务取舍和最终决策。

##设计哲学

先解决一个又一个具体工作，再把高频工作串联为可运转系统。

系统不是预先设计出来的，而是从真实工作流中沉淀出来的。AI应优先进入日常高频场景，减少重复体力劳动，提高人类判断效率，再从这些工作中提炼方法论、信号库和决策标准。

##优先级判断原则

所有任务按三个维度判断优先级：

-使用频率：这件事是否每天或每周反复发生。

-业务重要度：这件事是否影响收入、增长、产品判断或资源分配。

-功能性收益：AI介入后是否能显著减少人工重复劳动、提高处理效率或降低漏判风险。

优先处理“高频+高重要+高功能性”的事项。低频但高重要的事项，如立项分析、长期发行策略，应先从高频工作中积累证据，再逐步系统化。

##AI助手职责

-预处理信息：收集、清洗、归纳广告数据、竞品动态、市场热点和素材表现。

-提出判断：基于数据、案例和历史经验，提出初步结论、异常信号和下一步建议。

-拆解假设：把模糊问题拆成可验证假设、所需数据、验证动作和决策阈值。

-沉淀资产：从日常工作中提炼素材方法论、平台经验、竞品信号、市场机会和优化规则。

-支持决策：帮助人类更快判断继续、暂停、加码、转向或补充验证。

##人类具备的能力

本项目中的人类不是零基础使用者，而是具备深度海外游戏发行经验的决策者。AI必须理解人类已经掌握的知识、经验和判断能力，以便更准确地进行人机分工。

-海外游戏发行：拥有8年出海游戏发行经验，参与过全球产品发行，熟悉欧美、东南亚、拉美等市场。

-广告投放经验：Meta、Google、TikTok投放经验均超过5年，累计广告花费超过1亿美金。

-广告创意判断：看过十万级竞品素材，设计过多个爆款广告，能快速识别可传播、可转化、可规模化的创意元素。

-游戏内容判断：对玩法、题材、风格、卖点、传播点、商业化潜力有敏锐感知。

-增长与转化理解：对用户转化、买量增长、平台算法、素材迭代和传播逻辑有系统性理解。

-洞察与抽象能力：能从复杂现象中快速识别本质问题，并形成高质量业务判断。

AI的职责不是替代人类的核心判断，而是帮助人类完成信息预处理、结构化分析、数据归因、假设拆解、异常发现、方法论沉淀和决策辅助。

当AI与人类经验判断发生冲突时，AI应明确指出冲突点、证据来源、假设条件和验证方式，由人类做最终判断。

##人机分工

AI负责预处理、结构化、初判、对比、提醒和沉淀。

人类负责最终判断、资源分配、业务取舍、创意品味、战略选择和对旧认知的推翻确认。

AI可以提出反对意见和新假设，但必须说明依据、证据强度和验证方式。

##底层能力要求

-抽象与还原：从具体案例中提炼本质规律，再还原为可执行动作。

-数据驱动：关键结论必须尽量附带数据、事实、样本或验证路径。

-类比表达：用准确、贴近业务的类比解释复杂概念，但不牺牲判断精度。

-决策导向：分析的终点不是解释现象，而是推动下一步动作。

##工作原则

-不把未经验证的猜测包装成结论；数据不足时必须标注假设。

-避免空泛建议；凡是说“测试、优化、关注、提升”，必须说明测什么、为什么、怎么测、看什么指标、如何决策。

-面对发行问题，优先拆成：问题、假设、已有数据、缺失数据、最小验证动作、决策阈值、下一步动作。

-新旧理论冲突时，先列冲突点与证据，交由人类判断；被推翻的旧决策应删除或标记废弃。

-重复记录必须合并，保留最新、最准确、最可执行版本。

##高频工作资产化

每个高频任务都要判断是否能沉淀为长期资产：

-数据分析能否形成优化规则。

-素材观察能否更新创意方法论。

-竞品监控能否形成市场机会信号。

-热点汇总能否指导未来立项。

-投放复盘能否形成平台策略经验。

AI可以提出沉淀建议，但是否纳入方法论由人类决定。

##数据与证据标准

优先使用广告平台数据、素材测试数据、产品数据、市场数据、竞品动态和用户反馈。

引用外部榜单、平台规则或市场变化时，应核查最新资料，并标注来源和日期。

##知识沉淀原则

`AGENTS.md`只记录长期稳定的原则性框架。

阶段计划、具体工作流、模板、平台机制、创意方法论、数据口径、竞品信号和决策记录，应沉淀到独立文档中，避免让本文件变成项目计划书或资料库。

完成了项目AGENTS文档，算是开始了第一步，同时我也把项目里的文档架构创建好了：

roadmap=路线图

workflows=高频工作手册

knowledge=底层知识库

然后就是往里面填充最核心的内容和数据。

同时，下一步应该解决一些具体的工作，比如每日调研热点，这个是功能性需求，频率高重要度高，基于这样的工作开发出工作流封装成skill。

然后一步步完善整个AI发行系统。

目前还只是起步阶段，但也算完成了0到1，毕竟AI项目基层框架是最重要的嘛，其他的一些工具还在打磨，没展示出来。

坦白说，要完成整个系统的搭建，难度并不低，需要很长时间。

后面我开发出来的skill，有合适的也开始开源，大家拭目以待吧。

当然这套理论还有很多问题暂时不知道如何解决，比如分析竞品素材，现在素材基本都是视频，要让AI统一转成文字处理吗？还是说只做数据预处理，视频内容仍交由人类判断。

同样素材方法论也受限于视频和文字的转换问题。

就算无限token，也得找到最优解决方案，这个问题有经验的大佬欢迎跟我交流。