近几年，关于AI如何融入工作流程的讨论越来越频繁，电竞行业也不例外——无论是此前围绕“AI+赛训”的尝试，还是“AI+陪练/陪玩”等应用方向，都已经开始对行业结构产生一定影响。
尽管未来会如何演进仍不确定，但在当下的实际使用中，笔者更明确的感受是：AI像一个效率极高的“学习与工作搭子”，实实在在地改变了我日常的工作方式。
这篇专栏想分享的，正是AI如何帮助我在电竞内容分析与研究中建立新的方法路径，以及这种方法带来的具体变化与体验。
笔者一直对电竞解说这一话题较为感兴趣，曾围绕官方一路解说与二路解说的职责边界及表达差异做过一些零散观察。在查阅与梳理解说相关概念时，一个较为普遍的观点是：官方解说以还原比赛过程、维护赛事叙事权威为核心，强调客观性与中立性，其主要目标是帮助所有观众理解比赛正在发生什么；而二路解说则更侧重于提升观看体验与情绪价值，多由职业选手、教练等转型而来，能够在解说中加入个人理解、情绪表达与娱乐化内容，本质上更接近内容创作者。
这一类概念性的划分，更多停留在理论层面。想要验证它在真实世界中是否成立，还需要回到具体比赛语料中去观察：解说在不同场景下具体说了什么、强调了什么，他们的篇幅是多长，这些表达究竟是在“还原比赛”，还是在“提供情绪体验”。
在这个过程中，AI起到了非常关键的辅助作用。它能更快地对大量解说语料进行拆解与归类，使原本依赖人工逐句整理的观察，变得可以被结构化地分析与对比。
其中一个方式是获取他们的文本进行语料分析。笔者收集了部分解说的语料，并通过AI进行内容编码法与话语分析——内容编码法指将解说内容分为战术分析、选手故事等类别并统计比例。话语分析则关注专业度、情绪强度等指标。
笔者以2026年KPL春决为研究样本，录制了官方解说与二路解说（阿豆）四场对局的内容，时间节点统一为比赛开始至水晶爆炸后30秒，通过千问将视频转写为带时间节点和说话人的文本，再将五万余字的语料喂给Gemini，按统一编码框架拆解分析。
需要注意的是，官方解说文本约26500字、阿豆的约28000字，从整体字数上，二者的差异不显著。另外，由于阿豆直播间会出现一路的声音，可能在会存在微小识别误差。在整体文本基数相似的基础上，首先让AI完成了整体语料的检索与分类，识别出实时描述、战术分析、情绪表达等七大维度。
（一路）
（二路）
并且，AI还可以对比两者数据差异，数据显示，二路解说在观众互动、娱乐吐槽上的占比远高于官方一路解说。区别最大的是娱乐属性和与观众互动的属性。这个结论也说明了之前的共识确实如此。
需说明的是，本次研究样本有限，二路仅选取阿豆一位主播，结论不能代表整个二路解说生态。但我想强调的并非结论本身，而是AI为研究与学习提供的新可能。
（一、二路对比）
随后，我意识到AI不仅能帮助我学习和理解知识，还能引导我探索更多感兴趣的方向。
在前面的KPL的例子中，对比是的一路和二路解说内容的区别。那么在“同一项目、不同国家”的维度上，也可以进行语料对比。同一场比赛的多语种解说版本，将语料统一转录并翻译，再交由AI进行结构化编码与分析。这有助于理解不同地区如何“讲述同一场比赛”，进一步折射出不同文化背景下的观赛重点与表达习惯。
笔者录制并上传了无畏契约项目的中、美两国的三位二路解说对于2026无畏契约圣地亚哥大师赛的文本分析，其中CN的主播是：Hanghang、cxy和夜莲，NA的主播是FNS、Tarik和Shanks，过程同样是录制总决赛内容并上传文本。
由于样本量不多，所以这里只摘取一些简单的结论：在互动方面，中国二路解说频繁读弹幕、抽奖、聊天，直播属性强，而美国二路解说更多是聊天室文化和陪看互动；在情绪表达方面，中国解说情情绪起伏明显，但高峰时较内敛，美国解说情绪密度更高，尖叫、夸张反应、个人情绪宣泄非常常见。更深层次的文化、政治等因素对二路解说风格的影响，还需要后续提供更多语料进行研究。
这套方法并不只适用于研究差异本身，它同样可以反向作用于从业者成长路径。一个希望成为解说的人，可以借助AI进行结构化分析，从而降低学习门槛，提高成长效率。
过去我们也掌握分析问题的办法，但常常受限于语言、精力、理解能力。有了AI后，当我们再用过去已经成熟的方法论框架，就能解决过去做不到规模化和结构化的问题。
对笔者而言，这次实践中最重要的收获是开始用一种新的工具研究课题，我意识到自己运用AI后，以前觉得无从下手的问题，现在可以去尝试解决了。AI的意义是让复杂研究变得可进入、可拆解、可复用，也让更多人可以以更低成本参与到分析与创作之中，我想这本身就是一件让人兴奋的事情。
热门跟贴