游戏技能配置AI Agent开发记录
前言
前些天牢米也是发布了自己AI GC的进展： https://mp.weixin.qq.com/s/ONKM34FhdrJOoCFFuoeZEA
我看后大为触动，一方面是感叹AI技术进步的如此迅速，另一方面是我看到了行业外的人员参与游戏技能开发的可能性，试想下：一个游戏本身提供足量的脚本节点，玩家的提出的任何设计都能在无需学习技术的情况下被实现，这无疑会大大提高玩家参与游戏社区开发的积极性，这与：ProjectS企划案 的理念不谋而合，所以我也打算对这个方向狠狠的深入研究一番
基础知识
游戏技能本身就是非常复杂，庞大的配置，在和AI交互的时候，可以预见的是，会遇到很多细节性的问题，而这些问题需要有LLM的知识基础，才能更好的解决，所以我先去了解学习了下LLM相关内容：AI GC基础知识总结
总的来说，目前世界上最先进的Claude Sonnet和GPT-5都是很好的推理大语言模型，完全可以胜任比较简单的技能配置生成和检查，修改工作，但实践下来仍有几个致命问题需要解决：
- 闭源，无法像开源模型一样进行数据微调和再训练，这将导致模型结果始终不够完全可控
- 上下文限制，模型经常偷懒，忽略了一些重要规则，导致有时结果并不是想要的，即使使用rule来控制，也无法避免，因为他们有时候会忽略rule内容
- 脚本数量庞大，参数庞大的时候，AI很难找到最合适的脚本来编辑技能，轻则性能差劲，重则不可预料的bug
上面这些问题都可以在 本项目实践开源库（初始版本） 进行体验到，这个版本除了rule没有任何额外的辅助，可以感受到原汁原味的LLM开发技能过程中遇到的问题
这些问题如果我们从0开始训练一个专用于技能编辑的LLM模型，一点点整理数据，都是可以解决的，但无疑会耗费非常多的时间和成本，所以比较合适的做法是用MCP对LLM进行精细控制，尽可能减少其发散，从而达成可控，稳定的目的，所以本文的内容和目标主要有两个：
- 开发技能专用MCP，规范LLM的行为，让整个技能开发过程更加可控和安全
- 构建技能脚本RAG，让AI可以适应任意复杂度的项目
MCP
RAG
参考
本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 登峰造极者，殊途亦同归。！
微信
支付宝
相关推荐
2025-08-27
AI GC在游戏中的应用
前言 AI GC，即AI生成内容（AI generated content）越来越火，本篇文章就是我在使用AI方面的一些心得体会分享，目前包括： AI代码生成，Cursor AI文生图实践，Comfy官网 我其实两年前就在玩OpenAI了，在供应商买了API接入 Chatbox 当成一个高级点的谷歌问问题，但也仅此而已，当时的AIGC给我感觉就像是一个高级点的搜索引擎，问问题还行其他的没什么大用 当时Stable Diffuse开源（泄漏）的时候我也本地部署了WebUI玩了下，确实有抽卡炼丹的感觉，不过没深入研究，玩了两下就放那了 今年春节DeepSeek横空出世，也是赚足了眼球，我也试用了下，发现幻觉比OpenAI少很多，起码。。。他不会一直骗我，但应用还是仅限于简单的问答，没感觉对生产力有什么帮助 AI代码方面也试用过 Github Copilot，讲道理感觉一般，和之前用过Chatbox问答模式生成的代码感觉差不多，没有很惊艳的感觉，顶多就是和IDE结合紧密更方便些 前阵子也是没抱什么希望试用了下Cursor，但两周时间之后，我完全变成Cursor的形状了，只能乖乖年费...
2025-09-29
AI GC基础知识
前言 准备学习下当前火热且流行的大语言模型相关知识，在此之前我在人工智能领域是零基础的，但是没有关系，现在有AI辅助了，直接让AI给出学习路线，在我多方对比后，对于学习路线的制定，推荐DeepSeek 基础概念 1. 核心概念解读 机器学习 (Machine Learning, ML) 含义：人工智能的一个子领域。它的核心思想是：不直接编写程序来解决问题，而是让计算机通过“学习”数据中的模式，自己找到解决方案。 关键：“学习”意味着模型会通过数据自动调整其内部的参数，从而提升在特定任务（如预测、分类）上的性能。 比喻：教孩子识别猫。你不是给他一套严格的规则（比如有胡子、尖耳朵），而是给他看成千上万张猫和狗的图片，让他自己总结出猫的特征。 神经网络 (Neural Network, NN) 含义：一种模仿人脑神经元连接方式的计算模型，是实现机器学习的一种方法/算法。 结构：由大量相互连接的“神经元”（节点）组成。每个神经元接收输入，进行简单计算，然后产生输出并传递给下一层神经元。 关键：通过调整神经元之间的连接强度（权重）来学习。 比喻：一个复杂的投票系统。初级神经元（输入层...
评论