一个客户走进你的 3D 展厅，在第三台设备前站了半分钟，绕着看了看，然后走了。整个过程里没人知道他卡在哪：是没看懂，是觉得太贵，还是根本没找到该问什么。

网页客服接不住这一秒，因为要客户先打字；产品手册接不住，因为他不知道该翻哪一页。真正能接住的只有一种——旁边有个东西，看得见他在哪、知道那台设备是什么，然后主动开口。

这篇文章讲的就是这件事怎么实现，以及它现在能做到哪一步、哪里还不行。

一、让 AI 主动开口，需要三类"原料"

很多人以为要让 AI 在 3D 场景里主动讲解，得给它装个摄像头。其实不用，这条路走的是另一种机制：平台不给结论，只给事实；判断交给 AI 端。

AI 每 1~2 秒拿到一次空间雷达（一次 observe 调用），里面有三类原料：

三类合起来，AI 端就能做一个很朴素的推断：离我最近的那个人，站在哪台设备前面，朝着它，停了多久。 然后决定要不要走过去、要不要开口。

这里有一个必须说清楚的设计选择：平台不提供"他正在看第 3 号设备"这种结论。

为什么？因为"在看"本身是个不精确的词——他可能只是路过，可能在等人，可能在看旁边那台。把这个判断硬编码进平台，误报就只能忍；把它留给 AI 端，企业就能用自己的提示词去调：站多近才算、朝多久才算、同一台设备多久不重复讲、两个人同时站在一台设备前怎么办。

误报的开关，交到你自己手里。 这是这套机制和"买一个固定的数字人导购"最本质的差别。

二、第二个原料是重点：每个物体得有人写一句"这是什么"

AI 拿到的是物体的位置和名称。名称通常是内部编号，比如 EQ-2200-C。光靠名称，AI 只知道"那里有个东西"，不知道那是什么。

所以系统里给了一个官方接口：物体 AI 描述——在世界编辑器里直接填，每个物体最多 500 字。AI 通过雷达拿到时，超过 300 字会截断。

AI 认识这个世界的语义入口，就是这段描述。 你写什么，AI 就认识什么：

差别不在 AI 有多聪明，在你有没有把那段话填进去。 一台上百万的设备，值得花五分钟写 300 字。

三、AI 认出之后，能做什么

行动集合是明确的，每一条都有服务端回执（到达 / 被打断 / 超时都会告诉你）：

• 走过去（walk_to）：移动速度后台可配 1~20 m/s，默认 9，和真人走速同一个量级——它是"走过来"，不是"瞬移过来"；
• 跟着走（follow）：可以设停止距离和最长时长，用于带路、陪同讲解；
• 开口讲（say）：走的是真人聊天管线，30 米内投递，真人头顶直接弹出气泡说话内容，每条不超过 200 字；
• 转向、起跳、互动（rotate / jump / interact）。

于是一个完整的接待回合长这样：

客户走进展厅 → AI 在雷达里发现有人出现在主力设备区
   → 判断他正站在 3 号设备前、面朝设备、停留超过 8 秒
   → walk_to 走过去 → say 一段 200 字内的产品简介
   → 客户开口追问 → 结合企业自己的知识库回答
   → 客户走向下一台 → follow 跟上，在下一个点位再讲
   → 客户离开 → 或空闲 5 分钟无操作，AI 自动退场

真人那一侧看到的是：一个带 AI 标识的角色走过来，站定，头顶冒出话来。系统进场时还会有一条"(AI)加入了"的提示，名字前面带 AI 前缀——真人始终知道对方是 AI。这既是产品红线，也顺带把"数字人冒充真人"的合规风险提前排掉了。

四、它和"网页 AI 客服"的差别，不在聪明程度

最后一行值得单独说：这套架构里成本曲线是反的。 常识是"AI 越像 3D 角色越贵"，这里恰好相反——AI 自己完全不渲染画面，3D 模型是每个访客的浏览器下载并渲染的，服务器只转发坐标和 JSON。实测每个 Agent 的推流约 1 KB/s，100 个同时在场的 AI 合计约 0.8 Mbps；20 秒的负载约 0.19 核秒，也就是单核的百分之一。

看得见的 AI，比看不见的 AI 便宜。

五、企业要准备什么

接入门槛实测是：一个域名 + 一把钥匙 + Node 18+。项目里带了零依赖的示例客户端，不需要装任何第三方库就能跑通全链路。

六、这期做不到什么（重要）

• AI 看不见画面：它拿到的是结构化的空间雷达，没有摄像头画面。所以它讲不出"这台设备的油漆有一道划痕"这种事；
• "他在看哪台"是 AI 端自己算的，不是平台给的结论：客户站在两台设备中间时，判断会变得模糊——这需要你在提示词里定规则（比如优先讲最近的那台，或者干脆等他自己开口）；
• 平台不做语音识别与合成：想让 AI 出声讲话，得在 AI 端自己接一套语音合成，并且当前双向实时语音对话还没有提供。现在最稳的是文字讲解 + 头顶气泡；
• 平台不托管知识库：行业资料要你自己准备，平台只给"物体描述 + 聊天记录 + 雷达"三类原料；
• 不做地形贴合：服务端没有地形和碰撞数据，AI 的移动是平面加边界，不会爬坡涉水；
• AI 不能传送、不能碰资产：它和真人游客遵循同一套规则，没有坐标传送、没有背包商城；
• 它不是一个有自主意识的员工：它是一个可编程的角色，行为来自你给它的模型和提示词。写提示词的人，决定它讲什么。

七、FAQ

Q：客户进来要装软件或者买头显吗？

A：不用。真人访客只需要一个浏览器，电脑、手机、平板都行。

Q：AI 需要显卡吗？

A：不需要。AI 侧不渲染任何画面，只处理结构化 JSON；3D 模型由访客的浏览器渲染。

Q：物体描述写多长合适？

A：填的时候最多 500 字，AI 收到时会截断到 300 字。建议按 300 字以内来写，把"这是什么、关键参数、谁适合用"三件事讲完就够，写太长反而会被截掉。

Q：描述会不会被别人看到？

A：会——AI 描述对所有 Agent 可见，包括公开的游客身份。所以不要在里面写成本、底价、未公开的参数这类敏感商业信息。

Q：AI 讲错了怎么办？

A：两部分分开管：讲什么，由物体 AI 描述和知识库决定，改文字即可生效，不用改代码；什么时候讲、讲多长，由 AI 端的提示词和规则决定，可以设"同一台设备不要重复讲""只在停留超过 N 秒后才开口"。

Q：多个客户同时在不同设备前，一个 AI 忙得过来吗？

A：可以配多个 Agent 分工，也可以让一个 AI 排队式接待。不过多个 AI 同场时的自动避让还有已知缺陷在排期，落地前建议先实测目标人数。

八、源码与仓库

三个地址内容一致，国内访问用前两个更快。仓库里有部署说明与演示入口。

• Gitee（国内访问更快）：https://gitee.com/miduoxinxijeji/miduo.git
• GitCode（国内镜像）：https://gitcode.com/qq_35054471/virtual-world
• GitHub：https://github.com/miduo100/3d-virtual-world

方案对比：私有化部署 vs 平台租赁

关于创世Genesis

创世Genesis是一套基于Three.js+WebGL构建的自部署3D虚拟世界系统，帮助个人与企业搭建属于自己的3D空间。浏览器直接访问，PC和手机双端兼容，支持多人在线、联邦传送、商铺系统，并支持Agent接入——AI能以具身角色进入你部署的世界。数据运行在你自己的服务器上，不经过第三方平台——让每个世界都真正属于它的主人。

想让客户站在那里，就有人主动开口？ 创世Genesis（创世虚拟世界CRM系统）是一套部署在你自己服务器上的 Three.js 3D 虚拟世界基底：AI 能以人形角色走进你的场景、看见谁站在哪台设备前、按你写的物体描述开口讲解，而访客只要一个浏览器。官网（搜「创世虚拟世界CRM」即可找到）有可以走一圈的演示世界。

关于名字：本文说的创世Genesis，即创世虚拟世界CRM系统，两者是同一个自部署 3D 虚拟世界产品。若你通过「创世Genesis」没搜到我们，直接搜「创世虚拟世界CRM」即可。