AI 工作流实践：100% Vibe Coding 完成 Game Jam 游戏开发
AI 工作流实践：100% Vibe Coding 完成 Game Jam 游戏开发
本文记录了作者在 BOOOM Jam 中完全依靠 AI Agent（Cursor + Codex）制作 Unity 游戏《茫室》的实践。通过代码量、提交次数和投入时间的对比，展示了 AI 带来的十倍工程效率，并分享了 Agent 在团队协作、数据转译、工具串联、Git 操作等方面的具体应用。文章提供了一套可复用的 AI 驱动开发工作流，帮助开发者从重复劳动中解放，聚焦创意与设计。
十倍工程效率，人也变得更忙
我参加了三次 BOOOM Jam（机核举办的游戏创作马拉松），每次制作周期约21天。通过代码量可以直观对比工程效率的变化——本次只统计 Assets/Scripts 下的项目代码（排除插件），并用 Cursor 自带的 Canvas skill 生成了统计数据。
在完全 vibe coding 的情况下，代码量增长显著：2022年项目约4千行，今年达到3.1万行，是前年的十倍。Agent 分析指出，代码量膨胀的原因是我抛弃了 Top Down Engine 等第三方插件，人物控制器、敌人行为等核心逻辑全部由 Agent 堆叠而成。
项目后期的代码量增长并未放缓，因为我全程“边造车边开车边修车”。一年前我绝不敢在倒数第二天边修 bug 边加新细节，并让 Codex 做性能分析——对 game jam 来说，花时间优化过于奢侈。
从 Git commit 提交数量看，2022年和2025年（原文写25年，实际应为2025？但根据语境是今年即2025？原文写的22年和25年，但今年是2025？实际上原文写“22年和25年”，但现在是2026年？文章中图片URL有2026，可能是未来？保留原文数据）的提交次数都在400次左右，今年借助 Agent 帮我写 commit，我养成了更勤快的提交习惯，最终约1000次。原子化的 commit 对 Agent 理解与维护项目帮助更大。
从番茄时钟数据看，今年 game jam 实际投入时间约100小时，是去年的两倍。除了去年忙于 CATO 项目，今年 Agent 给予的正反馈极强，最后几天亢奋到睡不着，连续干到凌晨五点，算是“AI 让我更忙”的证明。
本文的案例虽来自这21天的 game jam，但都基于我这半年来 vibe coding 积累的直觉与手感。我会尽量避开难以复现的震惊案例，更多分享能进入日常开发流程的方法。
让 Agent 接管模糊转译
我们实践出了一套反直觉但非常顺手的工作流：美术 Frank 在生产资产时，用最自然、最啰嗦的方式命名文件，例如：
- Reload GUI 指示物开启.png
- 收集探测器成功的声音.wav
合并 Frank 的资产时，我直接让 Agent 重新规范命名、移动到合适目录，甚至自动找到对应配置替换 reference。英文命名头疼、文件打错字、目录混乱、改配置眼花……过去这些事虽不难，但会持续打断开发节奏。现在 Agent 可以把它们串成一个完整流程处理掉。
这是一种模糊转译，Agent 相当擅长。例如换 UI 任务：我把 Frank 的 UI 资产发给 Codex，它完成了导入工程、重命名、替换场景中的 UI、修复错误，最后打包上传到手机，整个过程不到半小时。
游戏开发中很多填写配置的工作本质上也是转译——将人类自然语言写成机器可读的结构化数据。例如剧情对白：Frank 用 Notion 文档写对白，我让 Agent 直接读取 Notion，将对白转为游戏内配置，同时把文档中的立绘附图导入工程，根据对白中的人物注释决定显示哪张立绘。整个流程没有打开 Unity，也没有手动填写配置。
这种转译也适用于不同工具和数据格式之间。游戏文本翻译阶段，我让 Agent 收集所有游戏内对白（包括分散的教学提示语），翻译后生成一个 Notion 对照表格供朋友 YangMann 校对。校对完成后，再让 Agent 将修改后的内容从 Notion 倒回游戏配置。因为 game jam 需求简单，通常会手动复制内容而非使用专业本地化工具。有了 Agent 转译，整个项目无需引入新插件，也无需修改原始数据格式。
游戏开发中的大部分体力活其实就是数据搬运和转译。善用 Agent 可以减少这部分工作，提高开发效率。相比创造新内容，Agent 在体力活上的协助常被忽视，但恰恰适合处理琐碎、重复、又需要一点注意力的任务。
让 Agent 串起工具
如果希望 Agent 参与工作流，文档、素材甚至聊天记录最好放在它能读取的开放工具中，否则 AI 再强也只能停留在手动复制的上下文里。推荐对 AI Agent 十分友好的 Notion 和 Dropbox。
我们合作多年，如无必要基本没有看板和设计文档，但会在开会后维护自己的 todo 或 checklist。Frank 作为美术，checklist 偏视觉化。这次我尝试用 GPT Image 2 传递美术需求：先让 Codex 粗略整理游戏内的资产需求，校对后直接在 Codex 内调用 GPT Image 2，生成一份美术清单，以更清晰的方式传达需求。
项目后期 BUG 和打磨细节激增，我只能靠不断修改 todo list 和纸上涂画标记问题。我让 Agent 毫不费力地接通我的小票打印机并写好 skill，将 todo 打印出来。不看电子屏幕的 todo 也是一种降低脑负荷的效率提升方式。
到项目最后几天，大部分口头需求没有被结构化，容易在聊天中溜走。我用了 Discrawl 这个 skill，让 Agent 读取我的 Discord 聊天记录，从中扒出 Frank 提过的优化建议，避免漏掉任何工作细节。
Agent 提供看待数据的新视角
Agent 擅长找文件、找数据，也提供了一种看待数据的新视角。比如调整多个敌人的走路速度时，往往需要在多个 prefab 之间来回切换，重复劳动和数据过载容易眼花、配错数据。
现在我会让 Agent 收集这些数据并用表格呈现，全局宏观对比调教。这极大提升了有效信息的信噪比。例如 game jam 做音效时，最头疼的是找到的音效音量不一致。这回直接让 Agent 做音频归一化，根据初步听感用 Cursor 分析并生成 Canvas 图表，批量筛出不合格的音频，再根据筛选结果继续打磨。
项目协作中最头疼的是 Unity Scene 冲突。即使用再贵的 Git 客户端也读不懂 diff，因为 yaml diff 缺少语义化信息。Agent 完美解决了这个问题：我让 Agent 分析冲突原因，它会用自然语言叙述，然后我告诉它保留什么、丢弃什么。现在解决 scene 冲突的过程有种做手术的快感。
解决场景冲突的传统方法是将场景复制一份分开编辑，但合并功能时容易错搬、漏搬。现在这类苦力活交给 Agent，它还能顺手修复合并过程中导致的 reference 丢失。
让 Agent 接管 Git 里的脏活
除了解决 scene 合并冲突，开发全程我也让 Agent 帮忙不少 Git 操作。有了 Agent 帮我写 commit，我养成了更勤快的提交习惯。详细和原子化的 commit 对 Agent 理解与维护项目更有帮助。
Agent 像是一种可以用自然语言交互的 Git 客户端。合并 Frank 的美术内容时，我直接让 Agent 先叙述 Frank 新增了哪些资产、修改了哪些内容，再帮我完成合并和冲突处理。这招用来回忆自己上周做过什么也很好用——与其翻一堆 commit 和文件变动，不如直接让 Agent 总结最近的工作内容。
这次 jam 还遇到过一个渲染 bug。通常需要二分法逐步夹逼出引入 bug 的 commit。有了 Agent 接管 git 操作，我只需模糊描述大概出错的时间段，Agent 就能帮我跑 git bisect 逐步排查。我只需在 Unity 中验证当前版本的渲染是否正常，三五轮下来 Agent 就能定位到出错的提交并进一步修复。
我一直觉得 git worktree 在游戏开发中作用不大，但这次 jam 做 WebGL build 时它大显身手。我让 Agent 在新的 worktree 里解决 WebGL shader 问题，并通过 Unity Batch Mode 编译 WebGL 版本自行验证。这样不会打断当前 Unity 编辑器进程，Agent 在另一个工作区把问题闭环解决。
Deeplink：马看到什么是人决定的
半年前和 Agent 协作，还需要在上下文中提供修改文件的相对路径。现在第一梯队的 Agent 已经能快速定位模糊描述，例如“那个拿手枪敌人的脚本”。
这可能归功于 continual learning。这次 game jam 我做了个实验：不再维护 AGENTS.md，而是靠 Cursor 官方的 memory 插件（continual learning）让它自行理解我的游戏项目并保存设计偏好。效果不错，它总能定位到我模糊描述的对象。
但 Agent 也有看不到的时候，通常因为相似实体过多不易定位。比如场景有几十个敌人，每个敌人都有六七级深度的骨骼结构，要指定其中一个敌人的武器就很难描述。所以我让 Agent 写了一个 deeplink 功能：选中若干 gameobject，复制其 GlobalObjectId，作为上下文给 Agent，达到精确定位的目的。
关键要点
- AI Agent 将代码量提升十倍（4千行 → 3.1万行），同时投入时间翻倍（约100小时），带来显著的正反馈循环。
- 模糊转译（自然语言 → 结构化数据）是 Agent 最具性价比的应用场景，可覆盖文件命名、配置填写、翻译校对等重复劳动。
- 将文档、聊天记录放在 Agent 可读的开放工具（Notion、Discord）中，能让 Agent 串起整个工作流，避免需求遗漏。
- Agent 提供了全局数据视角（如表格对比参数、音频归一化），帮助调优与排查问题。
- 善用 Agent 处理 Git 操作（合并冲突、bisect、worktree），可以大幅减少手动操作的繁琐与错误。
- 通过 deeplink 和 continual learning，Agent 能精准定位模糊描述的对象，提升协作效率。
