这是AI游戏开发系列教程的第一讲。作者程序员小灰分享了自己用AI工具两个月内开发三款游戏并上线Steam的经历，其中《无为修仙传》售出1400多份、净营收约1910美元，证明了AI开发商业游戏的可行性。文章介绍了独立游戏开发的概念，对比了传统游戏开发与AI游戏开发的区别，指出AI并非一键生成游戏，而是扩大个人开发者的能力边界，由人负责方向和决策、AI辅助执行编程、美术、文案等任务。文章还讲解了付费买断、广告变现、游戏内购等变现方式，并分析了程序员、游戏爱好者和内容创作者三类适合人群。
程序员小灰分享了使用AI开发独立游戏《无为修仙传》的经历。这款仙侠放置类游戏上线Steam 30天，游戏本体销量3191份，DLC销量914份，净营收5179美元（约34843元人民币），可排进Steam独立游戏前10%。借助AI，小灰仅用一个半月就完成了从开发到上线及两部DLC的制作，以往这至少需要两年。他每天根据玩家反馈迭代2-3个版本，享受AI辅助下的创作过程。第四款游戏已完成80%，即将上线。
程序员小灰分享其第四款AI开发游戏《放置地下城：无尽远征》正式上线Steam。前两款游戏反响不佳，第三款《无为修仙传》一个月销量超3400份，给了他极大鼓励。新游戏是暗黑刷宝风格放置类游戏，仅用7天开发出Demo，借助Codex + GPT-6 Astra完成开发。游戏原价19.9元，首发7折优惠13.93元，首发期间购买者可免费加入AI游戏开发交流群，小灰将在群内分享AI游戏开发经验。
程序员小灰分享其用AI开发的第三款游戏《无为修仙传》上线5天的数据：净销量803份，净营收1059美元（约7646元），最高同时在线225人，成绩可进入Steam独立游戏前20%。文章介绍了这款放置类修仙游戏的定位与玩法，回应了“简单游戏是否有人玩”和“AI开发是否轻松”的质疑。他指出AI虽能完成策划、代码、美工等工作，但玩家反馈驱动的频繁迭代仍需人主导，每天更新2-3个版本。下一步他打算暂停多款开发计划，专注打磨这款已获成功的小爆款游戏。
文章介绍了爆火的 Jev 模型：一个专门做'判断'的 AI 模型，与传统生成式模型 GPT、Claude 不同，它不做长文生成，而是快速对内容进行分类、打分和分流，类似卡尼曼《思考，快与慢》中的 System 1 快速思维。文章讲解了 Jev 与传统模型的区别、适用与不适用场景（适合规则稳定的判断任务，不适合快速变化的结论），并介绍了通过 TypeSafe AI 官网、OpenRouter、Vercel 等渠道使用的方法，最后通过银行客服分流、交通信号灯动态调度、内容审核筛选、AI Agent 判断层等实际案例说明其应用价值。
作者分享用 AI 在小红书售卖娱乐心理测试数字商品的实战经验：3 天获得 49 单、收入约 200 元，证明了个人用 AI 一天内可搭完产品、流量、成交的完整闭环。文章详细拆解了 6 段可复用的 AI 指令，覆盖对标分析、产品规格设计、通用模板搭建、数据驱动选题、笔记素材批量生成和商品详情页撰写。同时总结了选品定价、爆款笔记机制、上架路径（开店 vs 个人售卖）以及合规风险等硬核避坑技巧，强调项目天花板低，但核心价值在于完整体验从想法到收钱的闭环。
作者程序员小灰分享了自己利用AI连续开发三款Steam游戏的成本构成。成本主要包括两部分：一是Steam平台入驻费用100美元（约700元人民币），需游戏盈利超1000美元才能返还；二是AI会员费用，包括GPT plus会员每月138元（使用Codex+GPT-5.6进行策划与编程、GPT-image绘制素材）以及天工AI音乐会员每月46元。若每月开发一款游戏，总成本约884元。作者的第三款仙侠文字挂机游戏《无为修仙传》免费试玩版已上线Steam，并认为AI辅助游戏开发将成为大趋势。
本文探讨了在 AI 辅助编程中，如何通过优化 Harness（套件）配置来提升代码输出质量。文章提出了三个核心建议：保持配置文件的精简与人工编写，利用 R.P.I. 框架（Research, Plan, Implement）在更高抽象层次上进行交互，以及使用子代理来维护主上下文的清洁。文章强调了工程判断力在 Harness 设置中的重要性。
本期早报围绕智能体系统建设展开：一是 Anthropic 负责人解释 Claude 交付架构，将会话记录、运行框架与沙箱执行环境分离，使失败恢复不影响工作连续性；二是 LangChain 分享设计智能体的实践，将设计师的审美判断沉淀为技能与知识库，中位费用从 8 美元降至 0.50 美元；三是 Ai2 研究检验 LLM 判断研究想法新颖性的可靠性，发现提示词变化可导致准确率剧烈波动。此外还涵盖 Google A2UI 推理格式、Optiver 模型接入平台、小红书 AllSpark 数据管线及 K2 Lab 垂直 AI 产品等内容。
本文深入介绍xAI（文中称SpaceXAI）的Grok Bot如何运作：每个Bot运行在持久化的云端Linux虚拟机上，拥有浏览器、文件系统和终端。核心亮点是'团队化'使用模式——以Chief of Staff为中心，配合各司其职的专家Bot，并由人工审批关键操作。文中以客服事件处理为例：三个Bot（IncidentWatch、Support Bot、IncidentSweep）协作，10分钟内清理204个工单。文章分7部分讲解Bot的组织架构、工程harness、技能与记忆、审批机制及可复制的搭建方案。
本文介绍了 Claude Code 团队在 AI 生成约 90% 代码的情况下如何重构代码评审流程。团队将代码评审从人工逐行阅读转变为分层自动化体系：包括 PR 前的 Claude 自验证、子代理 diff 审查、内部 skill（bug 猎捕、diff 缩减等）、以及每个 PR 的 AI 评审，仅将人类注意力保留给高风险决策。通过 CLAUDE.md 和 REVIEW.md 等文件向评审者注入项目上下文，并快速回滚机制兜底。6 月至 9 月间合并 PR 数量翻倍，回滚率下降超 40%，实现了用最少人工环节保障代码质量的目标。
Thorsten Ball 分享了 2026 年 10 月他与 AI Agent 协作的工作方法：使用最新最强的模型，不必担心代码库积累 slop；提示时描述 What 而非 How；让 agent 贯通整个软件开发生命周期（运行、部署、看日志、处理 bug 报告），并为其提供定制工具；通过盲测实验评估 agent 对代码库知识的利用；不要手动管理上下文，让 compaction 工作；请求不可反驳的证明（端到端演示、前后对比数据）；拥抱异步工作流，给 agent 更大任务；利用定时唤醒等自动化功能；只审查高影响范围的代码。这些实践展示了 agent 驱动开发的新范式。
文章基于 YC Paper Club 播客，剖析 LLM 推理成本真相：按两年模型寿命摊算，推理总算力约为训练的 12 倍。decode 阶段 MFU 仅 5%，瓶颈在显存带宽而非算力。DeepSeek 通过 KV cache 保留 72 小时、radix attention、零开销调度等手段将缓存命中率做到 96%，实现 38 美元一卡时、80% 毛利。文章还讨论了 SSM 等被低估的模型结构、服务商质量参差（同一模型不同服务商差距超开源闭源差距）以及开源推理生态的规模，指出推理成本优化才是 LLM 竞争的胜负手。
