01
需求目标
WHAT DO WE NEED?
03创作实践笔记 · 从一次次生成、修改与交付中留下的方法
从实践里长出的AI 创作流程
我把游戏内容生产中反复遇到的问题、判断与调整，整理成一套可复用的协作流程。
AI 扩展探索与执行速度；人始终负责目标、方向与最终判断。
keep the traces, not just the resultAN ONGOING CREATIVE NOTEBOOK02
Prompt 设计
MAKE IT UNDERSTANDABLE
03
生成结果
MANY POSSIBILITIES
04
人的判断
SELECT / REVISE / REJECT
AI ≠
AUTO
AUTO
AI 并不是一个按下按钮就会完成创作的自动机器。真正决定最终效果的，仍然是人对需求的理解、方向的判断，以及对结果的把控。工具负责扩展可能，人负责做出选择。
AI创作流程从需求到资产交付
a loop, not a straight line在实际使用 AI 进行内容生产时，我总结了一套通用流程：
需求目标DEFINE
问题拆解BREAK DOWN
AI工具选择CHOOSE
Prompt / 指令设计PROMPT
AI生成GENERATE
结果评估REVIEW
迭代优化ITERATE
资产交付DELIVER
经验沉淀REMEMBER
人负责什么？
人负责定义目标、判断方向以及最终质量控制。
AI 负责什么？
AI 负责快速探索与生成。
AIGC生产流程Prompt Engineering
make the vague visible02.1 / PROMPT ENGINEERING
让 AI 理解需求，而不是简单生成内容
高质量 AI 输出并不来自更长的提示词。不同模型由于训练数据、能力特点和应用场景不同，对于输入信息的理解方式也存在差异。因此，在开始生成前，需要先理解模型特点，并根据任务需求调整表达方式。
02.2 / MODEL STUDY
模型理解与工具选择
不同任务需要选择不同方向的 AI 工具。在实际使用过程中，我会关注：模型擅长解决什么问题、输入语言和描述方式的影响、官方能力边界与生成结果稳定性。选择合适的模型，是提高生成效率的第一步。
视觉模型
- 画面理解
- 动作表现
- 镜头控制
音频模型
- 声音标签理解
- 素材库特点
- 音色与情绪表达
02.3 / PROMPT STRUCTURE
Prompt结构化设计
Prompt 并不是关键词堆叠。更重要的是将模糊需求转化为 AI 可以理解的信息结构。
把模糊的想法，整理成 AI 可以理解的信息
Prompt 并不是关键词堆叠。更重要的是将模糊需求转化为 AI 可以理解的信息结构。
- 先明确真正的需求
- 把主体、动作和材质分开描述
- 补充环境反馈
- 写清楚需要避开的错误方向
把需求拆开来看
“机械狗高速奔跑，需要有重量感”
主体机械狗
动作高速、连续奔跑
材质金属机械结构
反馈硬质地面的冲击感
限制避免大型机械、飞船等错误方向
通过结构化描述，让 AI 更准确地理解目标。
02.4 / GENERATE · REVIEW · REVISE
结果评估与迭代优化
生成式 AI 本身具有一定随机性，同一个需求可能产生不同结果。因此，AI生产流程并不是一次生成，而是：
生成↝观察结果↝分析偏差↝调整输入↝重新生成
01
第一次结果
机械感不足，更像塑料玩具。
02
问题分析
模型关注了“机器人”概念，但没有充分理解金属材质和重量反馈。
03
优化方向
补充材质、动作、环境反馈等信息。
通过不断迭代，提高最终产出的稳定性。
AI协作开发流程管理 AI 参与复杂研发
structure before speed03.1 / WORKING PRINCIPLE
在 AI Coding 实践中，我逐渐发现：AI 的优势并不是一次性完成复杂系统，而是在明确目标和边界后，快速协助解决具体问题。
复杂项目中，开发者需要负责：
- 目标规划
- 系统拆解
- 上下文管理
- 最终验收
AI 负责方案探索、代码辅助与快速验证。
03.2 / MODULE DESIGN
模块化设计
让复杂系统保持可控
在 AI 驱动游戏项目开发过程中，随着功能不断增加，系统复杂度也会快速提升。如果直接让 AI 持续添加功能，容易产生模块之间的耦合，使后续修改越来越困难。因此，需要提前拆分系统边界。
明确的系统边界CONTROL
角色系统CHARACTER
状态系统STATE
记忆系统MEMORY
事件系统EVENT
交互系统INTERACTION
AI 模块AI MODULE
让复杂系统在不断增加功能时，仍然拥有清晰边界。
如果直接让 AI 持续添加功能，容易产生模块之间的耦合，使后续修改越来越困难。通过模块化设计，可以降低复杂度、明确功能职责、减少修改影响范围，也让 AI 更容易理解当前任务。
降低复杂度每个模块只解决明确范围内的问题
减少影响范围修改能够被定位、测试和交接
03.3 / AI CODING COLLABORATION
AI Coding 协作方式
AI Coding 的核心并不是让 AI 写更多代码。而是让 AI 在正确的问题、正确的结构和正确的上下文中工作。
需求定义功能拆解补充项目上下文AI辅助实现运行测试问题定位重构优化
通过持续反馈，让 AI 从代码生成工具逐渐成为开发协作者。
多 Agent 协作让不同 AI 承担不同角色
one task, many viewpoints对于复杂任务，单一 AI 对话往往难以同时完成需求分析、设计规划和开发实现。更有效的方法是根据任务特点，让不同 AI 承担不同职责。例如网页开发：
人工
负责整体判断、调整和最终验收。
DECIDE / OWN需求分析 AI
负责理解目标和用户需求。
WHY / WHAT设计 AI
负责视觉方向、页面结构和设计规范。
FEEL / SHAPE开发 AI
根据设计方案完成代码实现。
BUILD / VERIFYAI 不适合一个对话框直接生成完整结果。明确分工、持续沟通，才能获得更稳定的产出。
AI实践案例把方法放进真实生产
from prompt to playable assetAI音频生产流程
在游戏音频生产中，我探索了 AI 从需求分析到最终交付的完整流程。通过不断分析生成结果，调整声音描述方式，使 AI 输出更符合游戏场景需求。
需求理解↝声音元素拆解↝Prompt设计↝AI生成↝结果筛选↝迭代优化↝最终交付
AI工具与自动化
除了内容生成，我也探索 AI 在工具开发和流程优化中的应用。
- AI辅助网页开发
- AI Coding辅助工具制作
- 游戏资源处理流程自动化
通过 AI 降低重复工作成本，将更多精力投入到设计和判断。
06 · PERSONAL ARCHIVE
AI知识库沉淀
从一次经验到可复用方法
AI工具和模型不断变化。因此，比单次生成结果更重要的是：记录经验，形成自己的知识体系，并逐渐建立个人 AI 创作知识库。
可复用的信息结构与表达方法。
什么输入在什么条件下有效。
偏差如何发生，又如何被修正。
模型能力、边界与稳定性。
从一次尝试沉淀为可复用方法。
07 / REFLECTION / HUMAN × AI
Reflection
生成式 AI 降低了内容生产门槛，但真正决定结果质量的，仍然是人的理解、规划与判断。我希望探索的不只是如何使用 AI 工具，而是如何建立人与 AI 协作的新型创作流程。让 AI 成为创作者能力的延伸，而不是简单替代。
the creator still decides