ReaderMX.
游戏葡萄

单人Codex游戏研发干货分享：如何100%用AI重制一款游戏？

游游戏葡萄君约 13 分钟
Image

本文由读者投稿而来。

文/Jack

Hello各位好，有段时间没更新了。最近这段时间，我用 Codex 做了一个有趣的实验：让 AI 全程参与，将大学时期制作的实体叙事游戏重制为一款网页游戏。
Image
Image
游戏的名称是《千禧年的浪漫化》，体验时长约 60 分钟，并设有多个结局。作为玩家，你将打开一个封存着许多旧物的盒子。每件旧物都来自千禧年，也承载着一段零散的记忆。磁带里的一首歌、日记中的一页文字、照片背后的一个标记……玩家将重新拼凑这些记忆，还原出一段发生在 1999 年末的千禧年往事。
继续阅读前，欢迎先上手体验一下这款极具个人风格的叙事游戏作品（需科学上网）：
Image
http://millennial.senetwander.com/game
近一年里，我想很多人都观察到了，AI 正在大规模进入创作领域。如今风头正盛的 AI 短剧和小红书上络绎不绝的 AI 小工具，都印证了创作门槛正在大幅降低：普通人可以借助 vibecoding 绕过技术门槛，创作出自己的作品。
但是我也注意到，许多游戏创作者仍旧对【 AI 赋能游戏制作 】的 ”程度“ 和 ”边界“ 缺少认知。许多人对 AI 参与游戏创作的态度仍旧是 ”玩一玩就行了“ 、 “能做个5分钟的小游戏” 、 “生成的东西过于廉价” …… 这种偏见对真正有个人风格、也有表达欲的创作者来说，实在可惜。
因此，我打算将个人实践的这个 100% 由 AI 重制的项目过程写下来，希望能带来以下几个方面的启发：
  • 如何和 AI 有效沟通，提效游戏开发
  • AI 生成内容的流程和边界，如何保留个人审美和特色
  • AI 时代游戏创作工作流的变化，定制化工具和快速原型验证

01

让 AI 理解项目背景

《千禧年的浪漫化》是我大一的期末项目。它的主体是一个装着日记、照片、演出票、磁带、漫画等物件的记忆盒。玩家需要打开盒子，翻找和阅读里面的东西，再通过物件上的扫描入口，在手机上看到对应的数字内容。
Image
实际体验中，玩家需要不断在手中的物件与手机屏幕之间切换。例如，翻开日记、找到扫描点后，玩家便会进入一段数字内容；读完后，再回到盒子里寻找其他线索。实体物件不仅提供探索动作，也决定了剧情呈现和还原的顺序；手机则负责呈现进一步的数字内容。每次扫描后，手机上都会显示一段连续的聊天内容，玩家也可能需要作出选择、回答问题，或从几首歌中选一首播放。同一件物品的不同表面，也可能通向不同内容。
Image
演出票就是一个比较直观的例子。它的正面关联了一段带分支的对话：看到第一页后，选择其中一个选项会结束对话，另一个选项则会继续到下一页。背面关联的是另一段内容，但玩家需要先通过一个问题锁，答对之后才能阅读，选错则会看到无法访问的反馈。
Image
Image
以上说明构成了我提供给 AI 的第一轮项目背景。
这些细节共同勾勒出作品的“创意方向”“内容呈现流程（叙事形式）”和“内容组织架构”。在我看来，这三者构成了作品的基础，也是我通常不会让 AI 参与的部分。它们回答了游戏创作中最基础的三个问题：
  • （创意）这个作品的特点是什么？
  • （流程）这个作品要如何体验？
  • （架构）这个作品要如何实现？
与 AI 合作创作游戏时，我通常会先独立构思这三个方面，再将它们作为第一轮项目背景提供给 AI。我也曾尝试在想法刚刚成形时，就让 AI 介入并拓展。但这样很容易导致我和 AI 都没想清楚“自己究竟想要什么样的体验”，最后像无头苍蝇一样乱撞，只能寄希望于偶然获得一个虚无缥缈的好结果。
归根结底，道理很简单：作品型游戏的核心在于个人风格和个人表达，因此创作者的品味和判断力不能让渡出去。否则，作品就像掉进 AI 模型数据库的大染缸，沦为各种既有元素的堆砌，失去个人特色。
AI 只能提供世界上已有的泛化信息和数据，在头脑风暴和寻找参考方面有一定价值。但如果一开始就把作品的方向盘交给 AI，随着 vibecoding 深入，创作者对作品的掌控力就会逐渐减弱，最终呈现出来的作品也可能泯然众人矣。
AI 了解了项目背景并获取原有工程后，我没有马上开始制作，而是先再次确认 AI 是否理解不同文件之间的关系。例如，原作中的每件物品都设有一个或多个扫描点，分别对应不同的剧情图片和音视频素材。我需要确认 AI 能否正确还原这些素材之间的对应关系。
Image
Image
Image
Image
于是，我和 AI 第一阶段的合作成果是一个内容校对台。AI 根据项目工程梳理出以下信息：
  • 所有可交互的物件
  • 每件物品扫描后对应的剧情逻辑链条
  • 每件物品对应的图片和音视频素材
  • 每件物品中已确认的信息和仍待确认的问题
Image
Image
Image
校对本身很枯燥，但可视化的校对台带来了不少便利。我不必与 AI 多轮来回问答，也不用阅读冗长的表格或数据集，只需在 AI 搭建的网页上做几道选择题、写上一两句批注，最后将结果导出为 JSON 交还给 AI，就完成了整个项目的细节校对。
整个过程有点像做了一次 MBTI 测试。
这是一个很不错的合作模式：与 AI 沟通协作时，反馈方式本身也可以经过设计。AI 既可以输出让人读起来头疼的长文，也可以把信息组织得更易读，让创作者的交互体验更简单直观。

02

AI 快速原型迭代验证

要说 AI 为游戏创作工作流带来的最大改变，快速原型迭代一定是其中之一。
在 AI 成为生产力工具之前，制作游戏原型有一定的技能和时间门槛。例如，许多原型都需要创作者亲自编写代码、制作简易素材，并反复修改代码、调试……这无疑让许多创作者望而却步，甚至无力迈出制作原型的第一步，也使快速原型的理念未能得到普及和重视。
在西方大学的游戏设计专业中，许多课程都会培养学生快速制作原型的意识和能力：从只用纸笔就能完成的纸面原型，到借助专门的网页工具制作的叙事或经济系统原型，再到使用 Unity 等游戏引擎制作的轻量级玩法原型。不同类型的原型可以快速制作出来，用于验证游戏的不同部分是否有效、是否符合预期。
Image
因此，当 AI 有能力生成美术占位素材并编写代码后，原型制作的所有门槛几乎都被降低至 0 。很多创作者们都开始采用一种新的工作流：先让 AI 制作网页版的游戏原型，去验证特定玩法（乐趣、手感、交互流程……）；在快速反馈修改方向、让 AI 迭代到理想状态之后，再要求 AI 将这个网页版的原型移植到正式的游戏引擎里。
这就是新时代的 AI 快速原型迭代验证工作流。
回到《千禧年的浪漫化》这个项目。在给予 AI 足够多的项目上下文后，我就要求 AI 制作一个简单的交互流程原型，包含以下内容：
  • 对所有物件做最简单粗糙的建模
  • 为每个物件加入对应剧情的扫描点
  • 和扫描点交互后，展示对应剧情的数字内容
  • 将所有物件放到一个盒子中，制作最简单的拾起 / 放下交互逻辑
由此可见，我制作这个原型，是为了快速验证：原实体版的交互逻辑移植到电脑端后是否仍然合适，以及哪些交互方式需要进一步调整。
原型做出来后，我终于可以在网页里实际操作这些物件，打开扫描点，查看接入的原始剧情页面。此前在校对台里确认的素材关系，也有了可以逐步检查的体验流程：拿起物件、找到入口、阅读内容，再回到盒子继续探索。即使物件还是粗模，也已经足够让我检查这些操作能否衔接起来。
Image
这种验证也延续到了后续迭代。早期，我尝试通过自由物理交互，让玩家像翻找真实盒子一样挪开物件，寻找下面的东西。但实际操作时，开盒、拿起和放下物件的衔接仍显卡顿，物件也会穿模，位置不易控制。当时我还无法确定卡顿是否完全由物理模拟造成，但继续沿这条路线调整，也促使我重新思考：自由拖动对这个作品究竟有多重要？
Image
我希望玩家把注意力放在观察旧物、寻找线索上。为此，我后来取消了自由拖动，改为预先安排物件在盒中的位置和放下后的落点，并通过设定好的过渡动画完成拾取与放置。同时，我保留了优先拿取上层物件的规则，让玩家仍能逐层翻找。这样虽然牺牲了一些随意摆弄的自由，却让我能更明确地安排物件的呈现和阅读顺序。后续的场景布置工具，也正是围绕这一决定搭建的。
Image
这让我意识到，实体作品转成网页版，需要重新判断哪些动作值得保留、哪些可以简化。AI 快速搭出的原型，让这些判断有了实际操作的依据，也让我能在投入大量美术打磨之前，先集中检查内容与交互。原型的结果可以是确认一个想法，也可以是决定放弃或调整它。

03

AI 建模与表现调优

流程原型搭建完成后，接下来要做的，就是让这些粗糙的物件逐渐变成记忆中的样子。对于一款围绕旧物展开的游戏，磁带的厚度、日记的封皮，以及物件在盒子里的摆放方式，都会影响玩家能否相信自己正在翻找一段真实的往事。
这次项目中的模型主要由 AI 编写 Three.js 代码生成。我提供参考图和修改意见，由 AI 调整物件的形状、材质和动作。但很快我就发现，只给一张参考图再说一句“照着做”远远不够。
磁带是一个很典型的例子。早期生成的模型，正面看起来已经有磁带的样子，但转到侧面，就会发现它像几层平面叠在一起，各个部分没有真正连接。这种问题只看正面截图，很容易被忽略。
Image
Image
于是，我不再只用“看起来不像”来反馈，而是向 AI 描述更具体的结构：哪些部分应属于同一个外壳，哪里需要开孔，哪些细节只是表面的图案。随后，AI 调整了壳体的构建方式，将主体结构与表面标签分开处理，再继续修正齿轮和标签的位置，以及正反面的文字。
但我不希望每换一件物品，都遇到同样的问题。因此，我又要求 AI 将这次修改整理成可复用的建模方法：先判断物件的结构，再选择合适的构建方式。
  • 纸张、照片和票券：用略有厚度、可以弯曲的薄片承载正反面图像，将印刷内容直接作为表面纹理。
  • 日记和漫画：拆成封面、封底、书脊和书页，明确各部分的连接关系，以及封面和书页的转动轴。
  • 磁带：先做出有厚度的连续壳体，在模型上开孔，再将标签和文字贴到表面，避免把所有细节都堆成层层叠加的平面。
  • 记忆盒：构建盒底、盒壁和内部空腔，让盒盖绕铰链转动，确保打开后内部结构仍然合理。
这些规则随后被整理进工坊的结构分类中，既明确了 AI 应优先解决的问题，也给了我具体的检查重点：纸张看厚度和双面内容，书本看装订与翻页，磁带看侧面和孔洞，盒子看开合和内部空间。同类物件可以复用建模方法，但具体尺寸和外观仍需逐件确认。
Image
与此同时，我也和 AI 迭代了一个建模工坊。我要求它按“参考 → 结构推断 → 尺寸确认 → 模型生成”组织步骤，再将喷绘和灯光调整放到生成之后。因为我手头往往只有一张正面或斜拍照片，工具也需要允许补充不同方向的参考，并让我自由旋转模型进行检查。
Image
Image
Image
Image
对我来说，这个过程的价值在于：一次失败可以帮助我们修正一个模型，也可以帮助我们改进下一次制作模型的方法。

04

当审美落实到具体取舍

日记则带来了另一类问题：一个模型静止时看起来合理，翻开之后却未必如此。
最初的日记虽然已经有棕色封皮、书页和扣带，但外皮太厚，封面、封底和书脊像分开的三块；翻页时，左侧书页还会穿进封皮里。只看合上的样子，它已经能让人认出是一本日记，但玩家一旦动手翻阅，这些不合理的地方就会暴露出来。
Image
于是，我需要向 AI 解释自己想要的具体质感：封皮应当是中等厚度的皮革，扣带则是连接在背面的薄而可弯的结构，打开时展开，合上时绕过正面扣住。这里要表达的不只是“薄一点”，还包括这个部件为什么长这样、实际使用时怎样移动。因此，每次修改后都需要重新检查合上、解扣和展开的状态，不能只凭一张好看的截图判断。
Image
这里需要取舍的是：哪些细节只是让模型更丰富，哪些会直接影响玩家的体验。以这本日记为例，玩家会拿起它、解开扣带、翻到某一页，再寻找剧情入口。封皮的厚度、扣带的连接方式，以及翻页时书页与封皮的位置关系，都会影响这一过程，值得继续调整。否则，再多的皮革纹理和装饰，也无法弥补翻开日记时的不合理之处。
前面我选择放弃自由拖动，这里却愿意反复修改一本日记，看似相反的决定，其实依据相同：它是否有助于玩家沉浸在旧物与记忆之中？AI 可以不断生成更多细节，但哪些问题值得花时间、怎样才算符合这个作品，仍然需要我来判断。个人风格正是在这些判断中逐渐成形的，而不只体现在最初提供的一组参考图里。

05

AI 制作适应性工具
在调整模型的过程中，我也逐渐发现，有些工作适合直接动手操作。例如，把磁带往左挪一点，让日记稍微倾斜，或者调整盒子里的灯光。如果每次都需要用文字描述，再等待 AI 修改代码，沟通本身就会变得很繁琐。
于是，除了前面的内容校对台和建模工坊，我又让 AI 制作了场景布置和扫描点编辑工具。它们不需要成为功能齐全的专业软件，只需要把这个项目里反复出现的操作做好。
确定手动布置场景之后，我给 AI 的需求就具体了很多：选中一件物品，直接在画面里移动、旋转和缩放；分别调整它在盒子里和被放下后的位置；再结合灯光，观察整个盒子的效果。工具的入口也按这些实际任务来组织，和建模工坊放在同一级，方便来回切换。
其中一个我特别强调的要求，是像 3D 软件一样，用物件旁边的拖动手柄（Gizmo）来调整位置和方向。摆放时，我需要看着磁带和日记之间的距离、物件互相遮挡的关系来判断，直接拖动更符合这个过程。灯光调试也被放进同一个工具里，让摆放和光照可以一起调整。
Image
Image
Image
调整完成后，布局、尺寸等数据会保存下来，由游戏读取。这就把“我想要怎样摆放”变成了可以直接操作、保存和复用的结果。对这种需要反复目测的小调整，让 AI 搭出合适的控件之后，我自己动手反而更顺畅。定制工具的价值，也就在于它能贴合眼前这项具体工作。
扫描点编辑器则更细一些。日记的扫描点可能藏在某一页，演出票的正反面又通向不同内容。因此，工具里必须保留翻页、翻面等操作，我才能找到正确的表面，把入口放到合适的位置。
Image
不过，屏幕上当时贴对了，并不代表工作就完成了。我们还遇到过切换物件再回来，贴纸就悬空或陷进模型的问题。后来需要让工具记住贴纸依附的具体表面和相对位置，并反复检查保存、切换和重新加载后的结果。
这些工具延续了前面校对台的思路：让 AI 把信息和操作组织起来，让我在更直观的界面里判断、调整，再把结果保存下来。创作过程中的很多细节，也因此能够由我直接掌握。

06

把功能放回完整体验中验证

当模型和流程逐渐完整之后，还有一些问题需要在实际运行中解决。例如，游戏里的视频曾出现卡顿，排查发现，除了视频文件本身较大，播放期间后台的三维场景也仍在持续渲染。
随后，AI 对视频重新编码，并调整播放期间的后台渲染。按当时的处理记录，其中一个视频从约 329 MiB 缩小到约 32 MiB，再通过本地播放测试检查结果。文件变小只是其中一步，还需要确认播放、缓冲和返回游戏的流程是否正常。
这次优化值得记录的地方，在于卡顿牵涉到视频资源和后台场景两部分。单看视频能否播放，或者模型能否正常渲染，都不足以解释它们同时运行时的问题。到了这个阶段，我与 AI 的讨论也开始从“再加一个功能”，转向“玩家进行这个操作时，整个游戏究竟在做什么”。原型里已经跑通的流程，还需要放回完整游戏中检查。

07

结尾

那么这次的分享也差不多了，希望能够给想要尝试 AI 做游戏的朋友们一些启发。在当下这个节点，个人创作者的技术门槛几乎已经完全被 AI 克服，创作更多回归到了创意、审美和传达能力上。这是一件好事，它意味着掌握 AI 赋能的创作者们能够更加迅速、有效率、不受阻拦的产出更多自己的作品。
最后以宫本茂最近关于生成式 AI 的一次采访结束：
我们一直把“创作”与“执行具体工作”区分开来。当你想要创造某种东西时，首先必须确定整体结构，明确自己想要实现什么目标。
在此之后，填补空缺、修饰细节、把作品做得更加精致，这些才属于具体的执行工作……  我认为，随着 AI 能够承担越来越多的执行工作，大家反而会有更多机会认真思考：“创作”究竟是什么？我觉得，这是一件非常好的事情。
过去，设计领域中也存在一些几乎只是复制、拼凑而成的作品。但这样的作品往往难以长久留存。真正重要的是什么？是创作者个人怀着某种意图去设计作品，并利用计算机帮助自己完成具体的执行工作。
这是创作与工具之间的关系。
Image

游戏葡萄招聘内容编辑，

点击「阅读原文」可了解详情

点击下方名片，关注公众号

（星标可第一时间收到推送和完整封面）

KEEP THE THREAD GOING

更多来源文章