如何为游戏开发设计AI驱动框架

将大型语言模型（LLMs）集成到游戏开发中，需要超越一次性代码生成，转向构建一个“驱动框架”——一个结构化的环境，使游戏的状态、逻辑和数据能够被AI代理清晰理解并操作。虽然LLMs在基于Web的技术栈中表现出色，但传统游戏往往因其依赖不透明的资产和复杂耦合的系统，难以让模型进行推理而失败。

核心问题：上下文与可读性

LLMs在游戏中遇到困难，是因为游戏开发不仅仅是代码；它涉及资产、物理和状态转换，这些对模型来说往往是不透明的。当代理缺乏对系统的清晰接口时，会产生“上下文污染”，模型会被不相关的数据所迷惑。要使游戏“AI就绪”，开发者必须优先考虑确定性和可观察性，确保代理能够重现状态并验证自身的进度。

建立确定性状态

确定性是有效AI驱动框架的基础。通过实现单一的、带种子的随机源，开发者可以确保游戏状态完全可重现。这使得代理能够在特定bug或功能上迭代，而无需与不一致的状态复制作斗争。

事物驱动开发

与其维护复杂的面向对象层次结构，开发者可以采用“事物驱动”架构。通过定义一个单一的Thing结构体，作为所有游戏实体的容器，消除了AI的歧义。

• 单一事实来源： 使用一种对象类型，AI确切知道在哪里进行更改，避免了在多个类或继承结构之间选择的困惑。
• 简化序列化： 单一对象类型使保存和加载变得简单，这是快速代理驱动迭代的先决条件。

让游戏“可操控”

为使AI能够驱动开发，游戏必须通过结构化接口而非手动编译来控制。

• 命令模式： 将游戏更改捕获为可序列化对象（命令），而不是直接函数调用。这使得代理能够“回放”操作或注入新命令来修改游戏状态，而无需重新编译整个项目。
• 外部化数据： 将静态数据（如行走速度或攻击伤害）从代码中移出，放入外部文件。这使AI能够通过直接修改数据文件来调整游戏平衡，无需频繁重建。

通过视觉和性能差异比较进行验证

评估对于闭环至关重要。代理需要一种方法来衡量其更改是否使游戏更接近预期结果。

• 截图差异比较： 使用odiff等工具比较视觉输出。通过向代理提供定量差异值（例如，“85%相似”），模型可以自主迭代，直到达到目标视觉状态。
• 黑盒模拟： 将游戏模拟与引擎解耦，将逻辑移入单独的库或DLL中。这允许代理在无头环境中运行测试、模拟和性能分析，显著缩短反馈循环。
• 基于文本的性能分析： 使用samply等工具将性能数据转储为AI易于解析的文本格式，使代理能够自主诊断和优化瓶颈。

社区见解与注意事项

虽然这些技术为大型项目提供了强大的框架，但开发者指出AI并非万能药。

“我坚持我之前说的很多观点，但我正在交付一个项目，其中我也没有使用这些。我认为我针对的规模确实是更大的项目。” — kkukshtel

其他从业者强调，虽然AI可以处理编码，但“最后的20%”打磨和创意愿景仍以人为中心。一些人建议，对于较小的实验，构建刚性框架的开销可能超过其收益。最终，AI驱动框架的目标是消除周期瓶颈，让开发者专注于高层次的创意决策，而代理处理机械实现。