为什么 PCG 与 MCP 是天作之合

老策划都记得第一次用 PCG（程序化内容生成）做关卡时的场景：你拖了一堆采样器、分布器、密度过滤器，对着视口里的噪音图盯了半小时，最后生成的森林还是像一个喝多了的理发师剪出来的头——每棵树的位置都‘合理’，但整体就是没有灵魂。

PCG 的本质是‘用规则代替手工’，它的强项是——能生成、快、可重复；它的弱项是——不理解你在做一款什么样的游戏。而 MCP（Model Context Protocol，模型上下文协议）恰恰补上这一环：它让大模型能读写引擎状态，把‘自然语言的意图’翻译成‘PCG 图表能执行的操作’。

这套组合有一个很性感的比喻：PCG 是引擎，MCP 是方向盘。单独踩油门，你只是更快地冲向悬崖；戴上方向盘，你才有了选择路线的自由。本文核心就是拆解这辆‘双层自动化’的车怎么造、怎么开、在哪些路上会翻。

我知道你要问什么——‘这不又是拿 AI 写树吗？’别急着划走。真正有意思的是下面这三层：一是 PCG 自己怎么活起来（Self-Sustaining Generation），二是 MCP 在 PCG 里的角色定位（Intelligence Layer），三是 两条自动化曲线如何协作（Orchestration）。我们一层一层剥。

第一层：PCG 为什么值得被‘接进去’——它远比你想的更像一个生物

很多独立开发者把 PCG 看成‘随机放物体的工具’。我说句不好听的：这是把大炮当苍蝇拍用。真正的 PCG 是一套‘自组织的空间生成器’，它的核心不是随机，而是约束传播——通过定义规则来约束随机性，让结果既有变化又有秩序。

拿《矮人要塞》（Dwarf Fortress）来说，它的世界生成器是整个 PCG 历史上最伟大的作品之一。你输入一个种子，它生成的不只是地形，而是一整部文明史——从板块漂移、气候带、矿物分布，到各个种族迁徙路线、战争爆发点、英雄的诞生。生成一个世界，就是孵化一个故事宇宙。这玩意儿不是‘放几棵树’，而是把空间当成一个有生命的系统来构建。

PCG 能在你眼前活起来，靠的是三个支柱：

这三个支柱合起来，PCG 才真正‘活’了——它会呼吸，会自然演化。而这正是 MCP 能切入的缝隙：PCG 会生成，但它不理解什么是‘好’。

举个例子：你的游戏是一款类模拟人生的生活模拟器，你想生成一个中产阶级社区——有修剪整齐的草坪、车道尽头的篮球架、偶尔一栋房子破旧得让人心疼。纯 PCG 只能给你一堆房子；PCG+MCP 能让 AI 根据对话、天气、社区氛围、甚至玩家角色的金钱状况，实时调整生成参数。

这不是科幻。后面我们细说。

第二层：MCP 在 PCG 里的角色——不是替代，是赋予意义

MCP 全称 Model Context Protocol，说人话就是：一个让大模型能‘接手’外部工具的标准接口。在 UE 里，它让 AI 能调用编辑器功能、读写资产、修改场景参数。放在 PCG 语境下，MCP 的角色有三层递进：

第一层：数据读取反馈（Observer）——MCP Server 把 PCG 图表的当前状态、地形高度图、植被覆盖密度、光照参数等打包成结构化数据，送给 AI 模型。AI 不再‘盲猜’，而是真的看见你在做什么。没有这一层，AI 的建议永远像星座运势——听着合理，其实没对上。

第二层：内容写入生成（Writer）——AI 根据你的自然语言输入，生成 PCG 图表，或者修改现有图表的节点参数。这一步是‘分层自动化的引擎’：你可以说‘把这个峡谷变成一条河’，AI 会找到对应的 PCG 节点，调整水流密度、河床宽度、两岸植被，而不是你去手动找十几个参数。

第三层：意图翻译（Translator）——这是最妙的一层。PCG 没有‘理解’能力，它有‘规则’。MCP 让 AI 把模糊的人类表达翻译成精确的 PCG 规则。你告诉 AI：‘我希望这个区域给人一种被遗弃的工业废墟感。’AI 会把它翻译成：‘降低植被密度、提高金属锈蚀材质覆盖率、在特定区域放置坍塌的厂房残骸、减少光照强度、增加雾浓度。’它拆解出的每个约束，都是 PCG 能执行的。

这三层合起来，就是我在导语里说的‘双层自动化’：下层是 PCG 的规则自动化，上层是 MCP 的意图自动化。两层各管各的，但通过协议握手。

第三层：双层自动化的协同工作流——从自然语言到 PCG 图表执行

光讲理论没意思，我们走一套完整的流程。这是我在一个模拟经营项目里实际跑通的（类似《放逐之城》那样建村庄的玩法）：

Step 1：意图输入——你（策划）在侧边栏 AI 面板输入一句话：‘这个村庄需要一块中心广场，周围分布着篮状分布的居住区，北边留出扩建农业区的余地。’

Step 2：MCP 上下文注入——MCP Server 把你的这句话连同当前 PCG 图表的完整结构（节点类型、连接关系、当前参数值）一起发给大模型。关键点在这里：AI 不是瞎猜，它知道你已经生成了什么，所以它不会说‘再放 50 棵树’这种蠢话，而会说‘你的植被密度在当前河道区域过高，我先调低，再叠加广场类型’。

Step 3：AI 生成 PCG 图表——大模型通过 MCP 调用一个‘创建 PCG 图表’的工具，生成新的节点图。实际体验：它会新建一个以村庄广场为中心、环状道路向外辐射的图，并设置密度衰减。你猜最惊艳的是什么？它会在节点图上添加注释——因为我让它习惯写中文注释。每个节点注释说明它在做什么，为什么这么连。这不是 MCP 的某种魔法，而是我用 Prompt 约束了输出格式，但效果拔群——你拿到手就能改，而不是天书。

Step 4：执行与反馈循环——图表生成后，AI 会触发一个 PCG 执行命令，然后要求 MCP 返回执行后场景的截图（渲染出来的视口截图）。它看着截图进行自评：‘河流与建筑太近了，我稍微退一下。’然后自动调整参数再跑一次。这个循环大概持续 2—3 轮，直到它认为符合你的描述。

你想象一下这个体验：以前调一个 PCG 图表的参数，你要反复试错——拖滑块、拉关系、跑一遍、看半天、不满意、再拖。现在 AI 在几秒钟内替你做完了‘试错 + 评估 + 修正’这个最枯燥的循环。省下来的时间，你可以拿去构思游戏叙事、打磨手感。

我知道你在想：‘这不是把工程师的锅甩给 AI 吗？’允许我反驳：这不是甩锅，这是分层。PCG 图表是程序逻辑，它天然适合 AI 去写；而你作为策划的创意判断——‘这个区域应该有一种安静悲凉的感觉’——是 AI 很难自主拥有的。分工反而更清晰了。

第四层：参数化设计工具——给 AI 一个可控的 PCG 沙盒

真正好玩的是参数化设计。PCG 图表一堆节点，每个节点成百参数，AI 要是全改，不仅慢，而且容易改出一堆逻辑错乱。聪明的做法是：你给它一个参数化的沙盒，而不是让它直接操作底层节点。

实操策略是：给 PCG 图表设置一组‘暴露的高级参数’（Exposed Parameters），这些参数就相当于是给 AI 的控制面板。你不用让 AI 去改节点内部的复杂逻辑，只让它调整这几个旋钮：

这套参数化思路有个巨大的好处：AI 可以同时调整多个参数来感知反馈，而不会把逻辑搞乱。我在实际项目里给 AI 一个任务：‘把这片区域从农业村改成渔村’，AI 只动了 5 个参数——水密度+、农田减、码头模型+、房屋朝向朝水、坡度降低。整个改动用了一轮反馈就搞定，而以前我手动调，光是试参数就花一下午。

但注意：参数化越抽象，AI 的控制力越弱；参数化越底层，AI 越容易犯错。找到‘AI 能理解且引擎能执行’的中间抽象层，是这套架构的核心挑战。我的建议是：把参数设计成‘意图级’，而不是‘实现级’。‘村庄风格’比‘建筑间距’更贴近 AI 的推理能力，‘结构复杂度’比‘节点连接数’更符合人的直觉。

这套思路并不是我拍脑袋想的。你看《星露谷》（Stardew Valley），它的地图生成实际上就用了类似的分层参数控制—— 天气系统影响作物生长率，季节影响水域面积，地形团聚度影响矿物分布。而《缺氧》（Oxygen Not Included）更是把‘邻接约束 + 密度控制’玩到了极致——气体扩散和液体流动模拟本身就是巨型 PCG。这些游戏没直接接 MCP，但它们的 PCG 架构已经为 AI 接入铺好了底子。

换句话说，MCP 不是要让 PCG 从石器时代一步跳到太空时代，恰恰相反——它是给你现有 PCG 加一层‘可对话的控制面’，让你不需要重写引擎就能让 AI 驱动生成。

PCG 与 MCP 协作的四个大坑（以及怎么绕过去）

坑一：AI 把 PCG 图表改爆了——AI 修改参数时，不会像人一样小心翼翼，它可能一次性把所有参数改成极端值，导致图表执行直接崩溃或画面卡死。我的解法是：加一个‘参数边界保护’，在传入 AI 前就限制了每个参数的可行范围，AI 只能在这个范围内取值。它再想放飞，也飞不出你划的圈。

坑二：AI 生成的图表太固执——AI 会对它的首版设计非常坚持。我遇到过一次，AI 反复生成几乎一样的布局，只是微调了几个数字。原因是它的系统提示词里只给了当前项目信息，没有给它历史迭代记录作为反例。解决办法是：在上下文中注入‘最近几次失败的尝试和原因’，并明确请求‘试着完全不同的方案’。

坑三：反馈循环太慢——截图反馈需要渲染，一次截图可能就要 1—2 秒，跑完一轮循环需要 10 多次反馈，就是十几秒的等待。我现在的优化是：降低截图分辨率（AI 评估不需要 4K），把它从全屏缩到 1024×576，反馈速度提升 3 倍以上。

坑四：过度生成——AI 倾向于‘为了生成而生成’，它可能把整个地形填满，反而失去了节奏感。我建议强制在 PCG 图表里加入‘留白区域’节点，规定哪些区域必须保持空旷。有时候整个世界最有味道的地方，就是那块什么都不放的空地。

争议：PCG+MCP 是‘创意杀手’还是‘创意放大器’？

圈子里有一派人谈到 AI 生成内容就皱眉头：‘这不就是批量生产场景吗，玩家能感受到 DIY 的温度吗？’我觉得这个问题问得太大了，咱们换个更接地气的问法：你用 PCG 做关卡，那些生成的区域，哪怕手工精调过的，真的能让玩家感受到‘作者的意图’吗？答案很残酷——大部分 PCG 生成结果，玩家感觉不到‘意图’，只感觉‘这地方是生成的’。

MCP 能改变什么？它让你能以‘意图’为输入，而不是以‘参数’为输入。你以前写的是‘密度 0.6 分布均匀’，现在你说‘这里应该是孩子们放学后抄近路踩出的一条小路’。这个差异是本质性的：前者是规则的奴隶，后者是意图的主人。

但代价也要诚实：你引入 MCP 后，你不再亲手调整每一个参数，你在‘对话式’地塑造世界。这中间确实会失去一些‘亲手捏出来’的手工感——就像以前用笔尖雕蜡，现在用喷枪塑形。但如果你做的是一款大型世界，你根本没时间手工雕每一寸地形。PCG+MCP 让你能先构造一个整体骨架，再花时间在关键区域手工细雕。它不是替代手工，而是让手工的时间花在更重要的地方。

我旁边坐的 TA 同事跟我说过一句话我觉得很对：工具不该拿走你的笔，它应该让你画出更大尺度的画。PCG 是你的画布，MCP 是你的第二支手，真正的创意还是你脑子里的那个‘峡谷要给人一种被遗弃的工业废墟感’。

三个真问题（不是唬人）

Q1：我的 PCG 图表很复杂，AI 哪天会不会直接把它删了重写？
会。而且这是好事——只要你有版本控制。我的建议是：在 MCP 工具层设置一个‘重建权限’开关，默认关闭，只有你手动打开时才允许 AI 重写整张图。AI 提出重建方案，你在侧栏点击‘应用’，它才执行。这样既享受 AI 的创造力，又不失去控制权。

Q2：大模型根本不理解 UE 的坐标系和场景单位，生成的图表靠谱吗？
初期不太靠谱，但解决得比你想得快。MCP 的上下文注入已经把‘当前关卡世界原点坐标、单位设置（厘米）、比例尺’这些都作为常量发给 AI 了。你真正要关注的是 AI 是否符合‘策划意图’——坐标误差这种工程问题，半小时就能调好；‘它生成的村子不像村子’这种创意问题，不是调参数能补的。

Q3：我是不是必须用 Claude 或者 GPT-4o 才有效果？
上一篇文章（[18] 大模型选型）讲得很细，我直接说结论：PCG 图表生成这种任务，指令遵循能力很关键，目前 Claude 的准确率和稳定性最好，GPT-4o 的创造力强但偶尔放飞，本地 Ollama 模型在语义理解上有明显短板，但用于生成参数化的沙盒还不算太差。独立项目初期，省钱用低成本模型没问题；等你把参数化的那一层做好了，哪怕模型弱一点，它也能干得不错。

Q4：这套东西能不能用于多人合作？
目前是单机为主，PM 上多用户同时通过 MCP 控制一个 PCG 图表会导致冲突。但如果你把 MCP Server 设计成线程安全的，并且给每个用户分配独立的上下文窗口，理论上可以让两个策划同时‘对话’不同区域——一个说村东的废墟，一个说西边的农田，互不干扰。不过这需要你用 [17] 里讲到的多代理协作架构来兜底。

Q5：我是不是不用学 PCG 了？
你这个问题问歪了。好的艺术家不会因为有了数码笔就扔掉素描基础。PCG 的知识不是用来让你手写的，而是用来让你设计沙盒的——你依然需要知道密度约束是什么意思、邻接约束会带来什么视觉变化，才能规划出好的参数化空间。AI 是执行者，你是架构师。谁更值钱？自己想。