今天我做了一个小实验:能否在一天的工作日内,利用AI代理作为生产团队,从一个想法到一款真正发布的游戏?
结果是 LUFTRAUMVERSTOSS — Airspace Breach,一款设定在柏林上空的微型单键浏览器游戏。
游戏链接:
https://tiny-snow-ee64.luftraumverstoss.workers.dev
对我来说,有趣的部分其实不是游戏本身,而是工作流程。
我在多个不同的生产任务中使用了AI,而不是仅仅让一个模型去“做一款游戏”:
- 游戏玩法参考分析与调优
- 实现与重构
- Blender脚本与3D资产制作
- 将3D母版转换为可用于游戏玩法的2D资产
- 构建与打包自动化
- 自动测试
- Supabase认证与排行榜后端
- Cloudflare部署
- 隐私/数据流审计
有一件事很快就变得非常明显:
模型很少成为瓶颈。瓶颈在于范围把控和流程编排。
当项目分支出太多资产想法,或者源几何体质量很差时,我们浪费了最多时间。一旦我开始把代理当作有严格范围和终止条件的专业化工人来对待,进展就大大加快了。
另一个有用的教训是,好的源数据至关重要。一些柏林地标可以从可靠的参考几何体中快速重建或细化。而其他的则因为源网格质量差而变成了“代币黑洞”。正确的做法往往是干脆停下来,选一个更好的资产。
另一个重大变化是分离:
母版资产 → 游戏玩法衍生资产 → 碰撞几何体
而不是试图用一套表示法搞定所有事情。
我们也遇到了一些非常普通的生产问题,我觉得比那些炫酷的AI部分更有趣:生产构建中缺少运行时文件、CORS配置、认证重定向、隐私文档、被Brave浏览器拦截的分析工具等。
到一天结束时,结果包含:
- 可在桌面/移动浏览器上运行的可构建版本
- 定制的柏林资产
- 注册/登录
- 公开排行榜
- 账户删除
- Cloudflare托管
- Supabase后端
- 生产分析
最让我惊讶的是,这现在感觉与其说是“AI编程”,不如说是运营一个微型生产组织。
我很想听听这里的其他人是如何构建多代理游戏工作流程的。
你们主要还是每次只用一个编码代理工作,还是已经开始在实现、资产、测试、研究和发布工作之间分担责任了?
评论 (0)