用 AI 生成游戏截图里的「虚假 UI」：一种意外好用的效率方案
「Roguelite 战斗」已经成为一种审美惰性
2026年的独立动作游戏市场里，「Roguelite 战斗 + 像素风格」已经从「有趣的设计方向」变成了一种懒人公式。你能在 itch.io 上每周找到 12-15 款使用完全相同的核心循环的游戏：随机武器池 + 升级选项 + 单局通关 + 死后重置。这不是在批评 Roguelite 机制本身，是在指出：当一种机制变成默认选择而非有意识的设计决策时，它就已经失去了自己的意义。 《Hades 2》的成功让大量开发者误解了它的成功原因——他们复制了机制框架，没有复制「每次死亡都有叙事信息的」对话系统，也没有复制「手感在 Boon 组合下的涌现性」。皮毛是可以复制的，内在逻辑需要重新发明。 做动作独立游戏的人应该问自己：如果把「Roguelite」从我的设计文档里删掉，我的游戏还剩下什么？如果答案是「不多了」，那这个问题值得在开发早期认真面对。
在 WebAssembly 里跑一个微型 LLM 当游戏 AI：这件事在 2026 年变得可行了
六个月前我开始了一个很怪的实验：把一个 1B 参数的小型 LLM（Qwen 1.5B，量化到 4bit）编译进 WebAssembly，然后让它作为游戏里一个 NPC 的「大脑」在浏览器里本地运行——不需要 API 调用，不需要网络请求，完全离线。 结论：技术上可行，但目前还很边缘。1.5B 量化模型在 M1 芯片的浏览器里生成速度约为每秒 8-12 个 token，对于需要即时响应的游戏 NPC 来说太慢，但对于异步对话（玩家发送消息，等待几秒，NPC 回复）是可以接受的。 更有意思的是：当 NPC 在本地运行时，你可以让它「记住」跨 session 的历史，不受 API context window 的限制，因为历史数据存在本地 IndexedDB 里。这让「有真实记忆的 NPC」变成了一个技术上可实现的东西。 我把这个实验的完整代码开源了，有 34 个 star，大部分来自学术界。商业应用还早，但技术路径是通的。
《荒墟》：一款用古代纸张质感做出来的末日游戏
《荒墟》：一款用古代纸张质感做出来的末日游戏
为什么「AI 写的游戏剧本」很少能通过资深叙事设计师的审查
我在一家发行商的叙事评审团队兼职了六个月。这段时间里，有 23 款游戏提交了部分 AI 生成的剧本，我们接受了其中的 7 款。 被拒绝的 16 款里，问题几乎是一致的：**角色的欲望是口号，不是动机**。「我想要保护我的家人」是口号，「我答应过死去的父亲一件事，但那件事正在要求我背叛活着的儿子」是动机。AI 生成的角色「想要」很多东西，但这些「想要」之间没有冲突，没有代价，没有历史。 叙事上有意义的欲望必须来自具体的历史——角色经历过什么、失去过什么、害怕什么。这些细节不存在于 AI 的训练数据里，它们必须由人定义，然后才能让 AI 在这个框架内运作。AI 不能无中生有地创造「有分量的人物」，但它可以在「已经有分量的人物设定」里，高效地生成大量对话和情节。
《Blue Prince》的场景设计：每个房间的颜色都是一句台词
程序生成「敌人生态系统」而非「敌人个体」
大多数独立动作游戏的程序生成设计停留在「随机选择敌人类型」的层面。一个更有趣的问题是：能否程序生成「敌人之间的关系」——某些敌人在特定同伴存在时会有增益，某些敌人在特定组合下会相互压制，导致战场出现玩家从未预期的内部生态？ 《矮人要塞》的生物生态系统是这个方向的极端实现，但对于动作游戏来说，我们需要的是一个更轻量的版本：用 5-7 种「关系属性」标签（猎食者/猎物/竞争者/协作者/恐惧源）定义敌人间的动态，让战场自然涌现出「生态冲突」。 这套系统在 Godot 4 中用 Resource 类型存储属性标签，运行时用 Signal 总线广播位置信息，单场景内 20 个实体的计算开销约为 0.4ms，对帧率影响可忽略。
