我本月发布了两款免费浏览器游戏（一种类似 Populous / Mega‑lo‑Mania 的神游戏，另一种 Jules Verne 风殖民地生存游戏），两款游戏都借助大量 AI 完成。我是一名长期程序员，主要在 C/C++/Python 中从事计算机视觉和机器学习，因此 JS/HTML/WebGPU 是全新领域。

所以我想分享我是如何完成这两款游戏的图形的，可能会对其他人有兴趣，也想听取关于 3D 的建议。

下面是资产管线，因为我在那里学到了最多。

精灵：不生成图片，AI 编写绘制代码

  • Megapop：每个单位和建筑都是小体素模型，通过 Python 工具渲染为精灵：等距投影、4 个旋转角度、共享调色板、用于团队颜色的掩码通道。80% 的实际体素模型都是由 Claude 自己设计的。

  • 神秘岛屿：每个精灵都是通过代码绘制的。AI 编写直接绘制像素的函数，因此棕榈树或殖民者只是几十行数学代码，而不是 PNG。随后通过 Python 在 Blender 中渲染。

为什么要这样做：保持一致性（共享调色板、统一光照方向），只需改动一个数字即可调整整个タイルセット，代理人可以像迭代代码一样对艺术进行迭代：改动、渲染、观察、修复。

音频：Stable Audio + ComfyUI，封装在自建的 MCP 服务器

我写了一个小 MCP 服务器放在 ComfyUI 前面，让编码代理人可以直接请求声音，同时在开发游戏时使用：

  • generate_audio：用于单个 SFX、环境音和循环。速度快（8 步 LCM，几秒钟生成一个声音）。小型 Qwen 模型可以可选地将简短的想法转换为 Stable Audio 训练数据集的密集提示词格式。

  • compose_sfx：这是最大的突破。Stable Audio 擅长一次生成单个声音，但对场景不擅长，因此复杂效果被拆分为时间轴上的多层：爆炸 = 尖锐噼啪声 + 低沉爆炸声 + 碎片雨 + 远处尾音。所有层在一个 ComfyUI 作业中渲染，然后通过增益、平衡、淡入淡出和归一化混合。

  • mix_audio：本地时间轴混合用于 stems、循环和转场。

  • Music：用 Stable Audio 制作纯音乐，或使用 MiniMax Music 制作带有旁白的音乐（尽管我在提到的两款游戏中未使用它）。

结果：代理人说“神奇的声音应该是合唱高潮加在 0.4s 处的雷击声”，几秒钟后就在项目文件夹中得到混合好的 WAV 文件。

未成功 / 经验教训

  • 直接生成图片的方法效果不佳，且大多数情况下难以实现（如带有窗口的建筑光照随时间变化等，纯代码实现会更轻松）。

3D

我正在尝试先用图像生成，再通过类似 Hunyuan3D 的工具创建模型（我目前正在做一个复古小球形模型）。它勉强可行，最终效果在渲染后缩小到低分辨率时大致可接受，但有没有更好的方法？其他人使用的更优流程是什么？

如果你想尝试，上述两款免费浏览器游戏在这里：

Megapop：https://waldtier.itch.io/megapop

神秘岛屿：Castaways：https://waldtier.itch.io/mysterious-island-castaways