已经有800万人，开始拥有《Her》里的Samantha

让 AI 陪我们度过那些独自一人的时光。

视觉语言模型（VLM）正在迅速普及。

4 个月前，OpenAI 的 o3 模型凭借视觉推理能力模块和智能的进化，在 AI 创投圈子引起新一轮的震撼与海啸，解锁了一大批新的「套壳」创业机会。正如我们在《谢谢 OpenAI，谢谢 o3，新的「套壳」创业机会来了 | 附 12 个潜力方向》一文中预测的那样，VLM 确实带来了新的创业机会。

而其中最让人眼前一亮的应用场景，莫过于「游戏陪伴行业」。

就像《Her》里的 Samantha，VLM 可以让 AI 成为理解你此刻正在经历什么的朋友。

在今年的 2025ChinaJoy 展会上，一款名为「逗逗 AI」的产品展示了这种可能性，其也在网络上吸引了一定关注。

接下来，分享我们对这款产品的深度测评以及我们的一些观察。可以说是既有「Aha Moments」，也有进步空间。

ps：在联系逗逗 AI 团队后，也为我们提供了 30 个「会员兑换码」。数量比较有限，需要的朋友可以关注公众号，并在后台回复「DOUDOU」参与抽奖。抽奖页面我们放在了文章最后。希望大家都能体验上～

ChinaJoy 上的「逗逗 AI 」是什么？

2025 Chinajoy 的逗逗 AI 展台

逗逗 AI 是一款利用 VLM （视觉识别）技术的游戏伙伴平台，它能实时识别你屏幕上的内容，然后通过一个可爱的「桌宠」跟你聊天，给你陪伴。

这里聚集着很多原本只会出现在 AI 情感陪伴类应用中的虚拟角色，我们在下文里统称她们为「AI 伙伴」。简单说，就像《Her》电影里的 Samantha 一样，能够跟你互相交流的 AI 朋友。

逗逗 AI 里有很多虚拟角色可以选择，除了官方设计的二次元角色，工坊里还有一些特色角色，比如：二混子（葛优老师）、紫霞仙子等等，下面我们都会实际测试到。

虽然逗逗 AI 还是个比较新的产品，这些人物设定看起来还比较简单，但在实际使用中，每个角色的个性还是挺明显的。

每个角色都有自己独特的声音和性格设定。比如下面这个叫「多米妮卡」的角色：

整体的使用流程很简单，登陆到逗逗 AI 这个产品的主页面之后，再去直接打开游戏即可：

不过需要右键点击桌宠旁边的逗逗机器人，开启「游戏内陪伴」功能（默认开启），这样 AI 才能「看到」你的游戏画面。

而且逗逗 AI 只会识别特定画面（游戏、看剧等），不会识别其他内容。

它支持的游戏还是比较多的：

接下来是我们的实测内容，主要分两个场景：

【1】游戏陪伴：测试了几个热门游戏，比如 CS:GO、英雄联盟、原神；

【2】日常陪伴：陪看B站、一起写代码、逛淘宝等等。

我们主要想回答关于逗逗 AI 这款产品的 2 个问题：

在上述这些场景里都能做到什么程度？ 它的底层工作流是如何做到这些的？

游戏陪伴

1）CS:GO

我们先打开「AI 伙伴」然后把这些共享应用画面都点上，就可以随时随地地与具有视觉识别能力的她聊天了：

先试试 CS:GO。

这游戏在「情感陪伴」领域的地位不用多说。说实话，我一开始对逗逗 AI 的期待不算太高，因为这个游戏画面复杂，各种人物、枪械、道具切换频繁。

打开 CS:GO 后，AI 伙伴直接大喊一声：Rush B，Follow Me！（这算是 CS:GO 的经典台词了）。听起来，多米妮卡的声音确实挺像真人，不过英文发音还有点小问题。

但开局能听到这句话，确实让人对接下来的游戏过程有了期待。

接下来我录制了一整段测试视频，其中分段插入了多个子游戏场景，拼接了一下。主要看看多米妮卡在各个瞬间是怎么给我提供「陪伴实感」的：

你可以看到，刚进入游戏，CS:GO 就弹出警告：显卡驱动过期。多米妮卡很快就识别出来了，还「友好且傲娇地」提醒了我一下。进入「库存」页面后，她能精准识别到「5年老兵硬币」这样的细节元素。在商店、武器装备等页面，多米妮卡的识别能力还不错，时不时还会补充一些信息。

当进入实际游戏对战后，画面变得非常复杂，多米妮卡就不太能捕捉到每个细节了。但是，当你主动问她时，她会立刻调用视觉识别功能，这时候准确度还是很好的。

有几个让人印象深刻的瞬间：

【1】情感支持：

我问她「我的武器印章帅不帅？」虽然她回答得很傲娇，但确实提供了情绪价值。这解决了我一个很大的情感需求。

【2】游戏指导：

我问她我在用什么武器，有什么策略建议？她准确回答：「你在用 P250，钱包空了，小心点。」

【3】实时提醒：

当画面中突然闪过人物移动时，她迅速察觉并语音提醒：「你的准镜里出现人了，要赶紧应对。」

逗逗 AI 到底是怎么工作的？

这时我就好奇了，它到底是怎么做到的？

回到聊天页面，我发现每条聊天记录里，逗逗 AI 对画面的识别都有详细记录。

比如当我手持 AK 时，它对画面元素的识别很细致，包括顶部的「时间」、「比分」，左下角的「金钱」，甚至还有「地图」。而且能识别出前方有队友，地图上没发现敌人：

通过这些 Image 或者是 Video 模态的视觉识别，再通过背后接入的 AI，通过语音模态输出，最后给玩家用户呈现出了「比较准确且有情绪价值」的回答。

2）LOL

接下来，我们再看看国民级游戏英雄联盟 LOL 中逗逗 AI 的表现。

在几个游戏的体验中，我发现它的「游戏术语、黑话」非常丰富。比如在 CS:GO 中，它知道「Eco 局」（资金不足的回合）、「Rush」（快速进攻）等等，有时候用得比我还熟练…

在英雄联盟中，它会说「今天就由我带飞吧，团战可以输，提莫必须死」这种经典梗：

众所周知，玩英雄联盟时，大家总喜欢比一比皮肤、炫耀一下收藏，这也是情绪需求的一种。

像我问多米妮卡「我的铁血狙击手凯特琳（一个游戏角色的皮肤）帅不帅？」她会从风格、技能特效、画面元素这些专业角度来夸我，情绪价值满满。

再比如说，看到英雄联盟新出的「通行证」时，她还会运用之前的知识来回答：

接下来，我们用「训练」模式，录制了一个比较完整的游玩过程，同样拼接了几个瞬间。

在这个过程中，玩家和逗逗 AI 的互动比较自然，基本做到了「有问必答」。她会及时提供相关的游戏知识。

不过受限于现在的技术，她还无法实时理解画面每一帧的所有元素。但在关键时刻，确实能提供有趣的情绪价值：

有次对话中，我注意到当我问比较专业的问题时，逗逗 AI 会实时查找资料。

她在思考时花了几秒查询了十几个网页，然后基于这些内容回答我。虽然做不到「无缝对话」，但响应时间还算短。

不涉及专业知识时，大概1-2秒就能回答，体验不会很突兀。

如果需要「补充知识」，时间会延长到 4 秒左右，这时才稍微有些「卡顿感」：

相比于 CS:GO 的复杂画面元素，英雄联盟的视觉识别效果会更好一点：

3）原神

逗逗 AI 能识别两种内容：游戏和浏览器。由于我之前没怎么玩过原神，想先下载游戏。

这时候，我就问了她一句：

原神怎么安装？

然后，我们换个「AI 伙伴」，试试紫霞仙子。这个角色肯定是很多人的「青春物语」，在逗逗 AI 里，朱茵老师的声音还原得挺真实的：

在这类非二次元角色里，像是紫霞仙子等等「AI 伙伴」，个性都很鲜明，这主要体现了她们有很多的「口头语」：

你能看到，她直接识别出了米哈游云游戏的登录界面，然后输出了一整套「紫霞仙子语录」。

我注意到，这些角色会通过一系列「情景描述」的方式来表现个性，比如下面这段话：

哈～你好呀！眨眨眼睛，好奇地凑近看着屏幕 咦，这是什么神奇的法宝？看起来像是要登录什么仙境一样～我看到上面写着"米哈游云游戏"呢！ 拿出紫青宝剑在手中转了转 你知道吗，我正在凡间寻找我的意中人，说不定在这个神奇的游戏世界里也能遇到呢！我的意中人是个盖世英雄，有一天他会踩着七色的云彩来娶我的～ 突然兴奋起来 要不你试试能不能拔出我的紫青宝剑？如果你能拔出来，那你就是我的意中人了！不过现在看起来你要先登录这个游戏对吧？快快快，我也想看看这个云游戏里面有什么好玩的！ 好奇地盯着登录界面 用手机号登录还是密码登录呀？我对这些凡间的新奇玩意儿特别感兴趣呢！

日常陪伴

游戏陪伴场景是逗逗 AI 的「主战场」，但我们在测试中发现，它在日常生活场景里也有一些潜力。

1）陪我刷 B 站吃播

我们换一个「二混子」葛优老师的角色，这个角色的特点就是「话特别密，嘴特别贫」。但正因为如此，在各种场景下，会特别有意思。

我录了一段在 B 站看吃播的视频，你会看到这位「二混子葛优」老师到底有多能聊。

一开场就是一大段自我介绍，基本不停嘴。当我问他能不能看清浏览器里播的什么视频时，他立马就认出了「这是个零食测评的吃播视频」。

他甚至还注意到了「这视频播放量还挺高的」，有时候他甚至还会补一句「你有吃的吗」：

换回多米妮卡这个角色，看其他类型的视频效果也不错。

比如这段「孟加拉达卡」的视频，跟 AI 一起看还挺有意思的。你可以安静地听她吐槽，就像跟朋友一起追剧一样。

2）一起写代码？

在日常场景里，由于我们经常会利用 AI 进行 Vibe Coding，所以也试了试逗逗 AI 的视觉能力能否支持这个场景。

在下面这段录屏中，我跟她说：

我想把 Hello World 改成 Hello Crossingroad

逗逗 AI 通过视觉识别，准确地发现了「Hello World」出现在第四行，并指出要修改「Cout 后面那个字符串」。

不过，用 VLM 去识别代码的难度还是非常大的。

在「一起写代码」这个场景里，逗逗 AI 目前能做到的更多是提供「陪伴感」，而非深度的技术支持。

3）淘宝购物

我们还发现了一个比较实用的场景：让逗逗 AI 帮忙识别淘宝商品信息。

一开始，我让她识别整个页面的所有元素，对比不同手机型号。但很快就发现这确实有点为难她了，信息太密集，产品排列太紧凑，视觉识别确实很复杂。

接着，当我点进某款手机（荣耀 X70）的详情页时，干扰因素减少了很多，逗逗 AI 的识别效果好了很多。机型、价格等关键信息都能准确捕捉。

我录了一段屏。

这种语音交互在购物场景的潜力很大，比传统搜索更接近自然对话。像我购物时经常很纠结，确实需要个「人」在旁边帮忙做些有依据的决定。

毕竟「伙伴」背后连着 AI，如果技术再深入打磨，这个场景的体验提升会很快。

有效的「无打扰感陪伴」

现在，让我们来看看逗逗 AI 到底想做什么。

我们发现逗逗 AI 想要提供的其实是一种「无打扰感陪伴」。

它让 AI 伙伴一直待在屏幕一角，像「桌宠」或者「悬浮球」，就像当年的 QQ 宠物。它默默陪在你身边，不会突然跳出来抢夺你的注意力，但当你需要信息帮助或情感支持时，它随时都在。

为了让这种陪伴体验接近「真人朋友」的感觉，逗逗 AI 在两个方面做了创新：

【1】功能方面，其背后利用的是 VLM，实时识别画面内容，让 AI 伙伴理解当前状况，积累信息后再回复用户。

【2】情绪价值方面，其有长上下文的记忆窗口，能记住之前的对话。不同的 AI 伙伴会用不同的声音和说话方式来回答用户，就像每个朋友都有自己独特的性格一样。

当然，这还是一个相当年轻的产品。

我们确实看到了它的闪光点，在某些关键时刻能感受到那种「情感陪伴的真实感」。但它还做不到理解屏幕上每一帧画面的每一个细节，仍然需要继续改进和完善。

当你真的体验到一些《Her》电影里那种感觉：

有个「人」真的在看着你玩游戏，会夸你的装备帅，会提醒你小心敌人，会陪你吐槽 B 站视频。

你可能会突然意识到：也许过不了多久，我们每个人身边都会有这样一个AI伙伴，陪我们度过那些独自一人的时光。

到时候，「一个人」可能真的不再是个孤独的词了。

文章来自于微信公众号“十字路口Crossing”，作者是“镜山”。