嘿，

先坦诚说明：这个项目主要是通过 vibe coding（与ChatGPT一起编程）构建的。 我设计了系统、用户体验流和属性逻辑，然后与AI反复迭代实现。这是合作成果，而非纯手工编码项目——我想对此保持透明。

这是什么：

Prospect Lab —— 一个角色创建器，用于构建受宝可梦启发的原创篮球运动员。幻想场景是选秀一位明星，定制其身份和打法风格，然后生成一份专业级别的档案，其中包含真正有意义的统计数据。

它能做什么：

  • 完整创建器：身份、外观、个性、招牌能力、背景故事
  • 13种原型（球场指挥官、空间型内线、防守大闸等）
  • “像谁打球”系统 —— 选择一位真实NBA球员，其倾向会融入你生成的属性中
  • 16项属性，1-99评分，带位置加权总评（中锋更看重内线防守/篮板，而非控卫）
  • 种族特性，为构建增添风味而不强制锁定
  • 基于实际构建自动生成的打法分析
  • 通过localStorage保存/加载，外加符合物理逻辑的随机生成器。不过，最终成品需要你自己截图保存，因为我还没添加通过JSON或PNG导出的功能。

试玩地址： https://nikoprower.itch.io/prospect-lab

指导AI教给我的事：

  • 提示词架构比提示词本身更重要。 我花在设计数据模型和计算流程上的时间，比写代码片段更多。一旦逻辑清晰，AI在执行方面表现优异。
  • 你仍然需要知道哪里出错了。 最初的OVR公式对所有属性一视同仁——我必须自己意识到这为何破坏了幻想，并重新设计了位置权重。
  • AI写得快，但连贯性取决于你。 随机生成器生成了身高7尺3寸、速度99的控球后卫，直到我添加了物理约束规则。
  • 重构才是真正的重头戏。 第一个版本到处是硬编码逻辑。我不得不引导重构，采用模块化数据架构，以便未来扩展。

希望得到的反馈：

  • 总体问题与反馈。工具运行得好吗？如果有问题，哪些可以修复？
  • OVR加权在不同位置上是否公平？
  • 打法分析是基于规则的——有人尝试过程序化球探报告文本吗？
  • 用户体验：创建流程感觉像体育RPG，还是仍然太像填表？
  • 对于其他vibe coders：你们发现哪些模式能让AI生成的代码更易于维护？