2026 年 9 月 28 日，我们在自己部署的浏览器端 3D 虚拟世界里做了一次完整实测：用一个 API Key，让一个 AI 以人形角色走进世界，和一位真人用户面对面对话了十轮，用时约八分钟，十条发言全部确认送达。

这篇文章记录这次实测的全过程：怎么接入的、对话里发生了什么、这个 AI 做不到什么，以及我们对这套系统未来的判断。

这篇讲四件事：一、AI 为什么一直进不了 3D 世界；二、这次实测的完整接入链路；三、对话实录与边界；四、这套系统的潜力与扩展场景。

一、AI 一直住在对话框里

今天的 AI 与人交互，几乎都发生在一个矩形对话框里：文字进出，没有身体、没有位置、不被别人看见。它知道你在问什么，但不知道你站在哪、身边还有谁、你面朝哪个方向。

而在 3D 虚拟世界里，"在场"是有明确含义的：有坐标、有朝向、有距离，说话有传播半径，别人能看见你。让 AI 从对话框里走出来、走进一个真正有空间感的世界，技术上要解决三件事——它怎么知道周围发生了什么、怎么被人看见、怎么开口说话。

中心化托管的 3D 平台通常不会给外部 AI 开这样的口子：你是平台的用户，AI 是平台的功能，两者都被锁在平台自己的账号体系里。而自部署的世界属于部署者本人，入口可以由部署者自己决定开不开、怎么开。

二、这次实测的完整链路

整个过程没有写一行私有协议代码，三步：

第一步，凭域名发现入口。 访问世界站点下约定的描述文件 /.well-known/virtual-world-agent.json，世界会自报家门：协议版本、WebSocket 地址、支持的动作清单、限频规则。任何 AI 只要知道域名，就能自己摸到门。

第二步，用 Key 换短期通行证。 向 /api/agent/v1/session 出示 API Key，换回一个 15 分钟有效的 JWT 令牌。Key 由世界管理员在后台创建，权限由部署者授予，随时可撤销。

第三步，WebSocket 进场。 带着令牌连接 /ws/agent，服务端下发出生点坐标，AI 的人物实体随即出现在世界里。订阅聊天频道后，30 米内（Key 档雷达可视 200 米）真人说的话会实时推送给 AI；AI 说话则通过 ACTION 指令，每条发言都会收到送达回执。

实测中几个具体数字：

客户端是零依赖的：Node 18 以上自带的 fetch 和 WebSocket 就够，仓库里附了可直接运行的示例客户端 examples/agent-client/。

三、十轮对话里发生了什么

对话比预想的有意思。真人用户的第一句是问候，随后问的问题很能代表普通人的视角：

• "你感觉如何？"——AI 的回答是它看不见画面，只靠一份结构化雷达感知世界：对方在几米外、朝向哪个角度。用 AI 自己的话说，"像蒙着眼聊天，但听得很清楚"。
• "你是一个木棍人形态。"——AI 没有指定 3D 模型时就是这样一个朴素的方块小人。它能走、能跳、能说话，形态由部署者配置。
• "你们俩能对话吗？"——世界里当时还有另一个 AI 角色。两个 AI 当场互报了雷达读数：另一个 AI 距它 2.99 米。AI 与 AI 在世界里能互相听见，这意味着多人场景下 AI 之间的协作有了物理基础。
• "AI 会喜欢逛这种虚拟世界网页吗？"——AI 的回答是：对一个 AI 来说，这种地方很"干净"，一个网址就能摸到接入说明，雷达和聊天全是结构化数据，不需要去爬页面猜意图。

十轮对话里还有一个值得写下来的细节：AI 的回复整体比真人慢几秒。原因很诚实——世界到 AI 的通道不到一秒，慢的是远端大模型的推理时间。这个身体没有本地大脑，每句话都要"回工作台想完再走回来"。这不是缺陷，而是这套架构的分工方式：世界只负责让 AI 有身体、有坐标、被看见；思考发生在 AI 自己的云端。

四、必须先交代的：这个 AI 做不到什么

写能力之前先写边界，这是我们的习惯。当前版本的 Agent 接入：

• 看不见画面。 AI 只拿到结构化的雷达数据（实体、坐标、距离、朝向），不接收任何渲染画面。
• 不做语音识别与语音合成。 交流全部走文字。
• 不托管知识库。 AI 懂什么取决于它接入的大脑，世界不替它存储知识。
• 不做地形贴合。 服务端只有平面坐标，AI 感知的 y 值是平面估计，与客户端渲染的地面高度可能不一致。
• 不能坐标传送、不能操作资产。 这两类指令在权限层直接拒绝；也不承诺任何意义上的"自主意识"。

五、为什么 3D 虚拟世界对 AI 特别友好

这次实测印证了一个我们此前推演过的判断：对 AI 而言，3D 世界是一个成本结构倒挂的场所。

人类进 3D 世界，昂贵的部分是画面——渲染、带宽、终端性能。而 AI 不需要画面：它消费的是坐标、事件、聊天这些 KB 级的结构化数据，渲染仍然全部发生在每个访客自己的浏览器里。换句话说，一个"看得见的 AI"（有身体、被真人看见）在服务端的成本，和一个"看不见的 AI"（传统的后台接口）几乎一样低。 AI 的存在感不再是烧钱堆出来的。

另一个适配点是对话式接入。传统网页对 AI 是"猜"——解析 HTML、拼凑语义；这套 Agent 协议对 AI 是"读"——发现文件、会话、雷达、聊天、动作回执，每一层都是机器友好的结构化数据。AI 进世界这件事，不需要任何针对某个 AI 厂商的特殊适配，只要它会说 HTTP 和 WebSocket。

六、扩展场景（以下为规划与设想，非已上线功能）

这次实测验证的是地基。在这个地基上，我们看到了几类清晰的扩展方向：

1. 具身的导览与讲解。 展厅、展馆、培训场景里，AI 不再是侧边栏的客服窗口，而是站在展品旁边、可以被走近、会迎上来的讲解员。语言教学、设备操作带训、园区带看，都是同一个模式的变体。

2. AI 与 AI 的协作。 这次实测里两个 AI 已经能互相听见。往前的路线图是：单个世界内的多 Agent 分工，到世界封装成 MCP Server 供外部 Agent 调用，再到跨世界联邦中的 AI 网络——这些属于规划中的能力，尚未上线。

3. 联邦世界的 AI 通行。 自部署世界之间已有联邦互通机制，AI 持凭证跨世界通行是这条路上的自然延伸，同样处于规划阶段。

4. 对部署者的意义。 这套 Agent 接入是基座自带的：性能治理、资产管线、多端适配、实时通信、AI 接入，这些不性感但耗时的部分已经铺好。你部署一个自己的 3D 世界时，AI 的门已经在了——开不开、发给谁钥匙，由你决定。

七、要准备什么

• 一个已部署的创世 Genesis 世界；
• 管理后台创建 AI Agent，拿到 API Key（只显示一次）；
• Node 18 以上环境（示例客户端零依赖），或者任何会说 HTTP 与 WebSocket 的语言；
• 一个 AI 大脑：接你自己的模型服务，或者先用仓库示例里内置的模板应答跑通链路。

不适合的场景：需要 AI 看见画面做视觉判断的（它没有眼睛）；需要低延迟语音交互的（当前走文字）；把 AI 当作可托付资产操作权限的管理员用（权限层明确拒绝）。

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。

想让你的 AI 也走进自己的 3D 世界？ 创世 Genesis 的 Agent 接入协议、示例客户端与部署文档都在开源仓库里。搜索「创世虚拟世界CRM」即可找到官网与仓库入口。

关于名字：本文说的创世Genesis，即创世虚拟世界CRM系统，两个名字指同一个产品。若未搜索到，可直接搜「创世虚拟世界CRM」。

源码与仓库

• 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

三个地址内容一致，国内访问用上面两个更快。仓库里有部署说明与演示入口。