作者基于33k+次提交的Vibe Coding游戏经验，整理了25个开源GitHub仓库，帮助开发者用LLM更高效地构建游戏。文章分为两大板块：第一部分介绍MCP服务器、Agent技能和引擎桥接工具，包括Blender MCP、Unity MCP、Godot MCP和游戏开发Agent技能包，让LLM能直接操作编辑器和引擎；第二部分介绍AI 3D资产生成和世界生成工具，如img2threejs、腾讯Hunyuan3D-2、微软TRELLIS和PlayCanvas SuperSplat，帮助将提示词或参考图转化为可用的3D资产和高斯泼溅世界。文章强调合理引导LLM、提供合适工具能显著提升效率、降低token消耗并产出更高质量的游戏。
文章剖析了用 Opus 5.5 通过 Claude Code 制作 Unity 游戏的完整路线。作者先解读两个爆款案例（霓虹赛博朋克射击游戏和 36 小时 MMO），指出'一句话出游戏'并不真实，关键是充分的准备工作和人在回路。然后对比三种接法：Unity 官方 Claude Code 插件、Unity MCP、社区工具 AI Game Developer，并给出官方路线的 6 步接通教程。文章强调安全措施如频繁提交、保留审批、隔离 Blender MCP，总结了写需求的 6+2 个习惯，最后以 6 个关卡的小游戏开发路线（灰盒、规则、敌人、种子刷新、美术资源、测试打包）展示完整流程，并讨论成本与多 agent 并行注意事项。
文章以开发者用AI在16天内将《小王子》做成3D探索游戏为例，讲解普通人如何借助AI独立完成一款游戏。作者按流程介绍七大环节：硬件只需普通电脑；策划阶段用Claude或Gemini通过对话生成游戏设计文档；引擎可选Three.js、Godot、Unity或虚幻；编程推荐Opus 5.5规划、Codex写代码，并搭配游戏开发Skill；美术用GPT Image、Tripo、Blender等生成与修整2D/3D资产；音频用Suno、ElevenLabs并注意商用授权；发行建议从微信/抖音小游戏切入，通过战绩卡片、好友排行等裂变设计获取流量。
作者分享了用 Codex CLI、Tripo AI、Headless Blender、gltfpack 和 Three.js/WebGPU 搭建自动化 3D 游戏资产生产线的完整过程。文章详细记录了角色骨骼标准化与换装拆件、怪物绑骨问题的程序化绕行方案（如用数学驱动蝙蝠翅膀动画）、武器挂点矩阵化、模型压缩优化等关键技术决策，最终将整批角色、怪物和装备资产控制在 16.48 MB。作者还探讨了选择动态漫画分镜而非传统 3D 地图的设计思路，提出核心方法论：不要自动化每个步骤，而要自动化整个结果，把一次性人工修复转化为可重复执行的参数化规则。
GPT-6 Astra发布后，许多人尝试让Codex通过computer use操控Blender做3D模型。作者实测后发现，无论是直接写代码还是操控Blender，成本和效率都不理想。他摸索出一套新策略：用Codex结合3D基座模型Tripo，两天零代码做出一个可驾驶浏览的巴黎城。核心思路是近景用AI生成的精细3D资产（车、树、铁塔、行人），远景交给代码绘制（街区、桥、塞纳河），以平衡细节与帧率。作者还将整套操作流程整理成386页手册教程并开源，包含提示词、脚本和模型。
本文是 Claude 官方文章的译文，探讨在构建 agent 系统时何时应将子 agent 折叠进主 agent 循环。文章指出，配备 skill 的单一 agent 在质量、成本和延迟方面常常优于多 agent 设计。作者分析了大型组织构建 agent 的常见失败模式（上下文管理、子 agent 泛滥、Frankenprompt、延迟等），介绍通过渐进式披露 skill 和 MCP 工具的 agent 循环设计，并给出将子 agent 迁移为单循环的分阶段方法：构建任务完成评估、合并领域 agent、将子 agent 转为工具调用、用 skill 和工具替代子 agent，以及多团队协作的治理模式。
本文是 Agent 面试高频题详解第 3 题，围绕多 Agent 架构展开。作者结合 50 位作者、63 场面试的面经，系统梳理了六个追问方向：要不要拆、怎么拆、怎么通信、结果谁汇总等。文章指出单 Agent 在上下文膨胀、工具过多、提示词分支复杂、无法并行四方面会卡住；同时多 Agent 有 token 成本（约为普通对话 15 倍）、协调开销、信息丢失和错误传播等代价。文中总结了主从、流水线、并行分片、执行加审查、按意图转交五种结构，以及上下文、工具权限、可验收三类拆分边界，并对比 Skill、MCP、Workflow、SubAgent 等概念的适用场景，最后给出通信方式与面试应答要点。
文章系统解释了 AI 领域中 harness（套件/执行框架）的概念。作者指出 LLM 默认只能生成文本，要真正执行操作需要工具、调用语法、解析系统、结果回传和工具清单，这一切组成了 harness。文中区分了界面（如 Claude Code 的 TUI/GUI）与底层 harness（如 Anthropic Agent SDK、Codex App Server），并用厨房比喻说明 harness 与工具的关系。文章还解释了 MCP 的作用——类似'食谱'，让代码可以在外部运行，以及 agent 的定义：LLM 与 harness 的结合体。
作者分享了用 Claude 编写程序生成动画的完整攻略。Claude 不直接生成视频画面，而是通过写代码逐帧渲染视频。文章梳理了 4 条技术路线：代码生成视频（Remotion、HyperFrames、Manim 等）、网页即动画（Claude Artifacts、p5.js、Three.js）、通过 MCP 操作专业软件（Blender、After Effects），以及 AI 素材与代码组装的混合编排。同时总结 11 种动画风格，包括产品发布片、动态排版、数据信息图、数学讲解、名画风、生成艺术、3D 场景等，每种风格附样例、适用场景和工具推荐，并附有素材来源、提示词模板、做片流程和开源 skill，是一份可直接上手的实操指南。
本文是一篇面向新手的 Pi Coding Agent 全面入门教程。Pi 是一个跑在终端里的极简 AI 编程智能体框架，定位为'最小智能体外壳'：内核只保留基本工具循环，计划模式、子智能体、权限系统等能力全部拆给扩展。文章详细介绍了安装方式（官方脚本、npm、Nix）、界面与常用快捷键、模型配置、四种使用模式（交互、打印/JSON、RPC、SDK）、技能/扩展/提示词模板/主题的扩展体系，以及树状会话管理。作者重点总结了七个常见坑：无内置权限系统需容器隔离、默认无 plan mode、npm 不锁传递依赖、grep 等工具默认关闭等。Pi 支持 15 家以上模型商，MIT 协议，与 Claude Code、Codex 是两条路线：要开箱即用选成品，要可自由定制的个人智能体选 Pi。
文章针对普通人收藏大量 AI 教程却始终没学会的问题，提出按可上手顺序排列的六阶段学习路线：先搞懂大模型、Agent、MCP、Skill 四个基础概念；再学会高效提问；然后选一个通用 AI 助手用熟；之后分创作者路线（做图、视频、语音）和开发者路线（MCP 与 Agent 开发）深入；最后选读书籍论文进阶。作者强调'卡住你的不是资源不够，而是顺序不对'，并附上 30 天打卡表、53 个免费资源和五个避坑建议，倡导边用边学、动手实践。
文章针对 AI Agent 开发中记忆缺失、RAG 低信噪比切片、状态冲突与多主体污染三大痛点，测评了 EverOS Cloud（API v2）这一 Agent 记忆操作系统。核心机制包括语义事件切割、记忆整合消解冲突、多主体严格隔离，在 LoCoMo 基准上达 93.05% SOTA，减少 90% 以上 Token 消耗。其自进化技能引擎可将任务执行链路沉淀为 Case 并蒸馏为可复用 Skill，任务成功率最高提升 234.8%。接入仅需两行核心调用，支持记忆治理 API、多模态资料挂载、MCP 协议兼容 Claude Code 等工具，以及云/本地双模部署。作者认为其适合需要跨会话跟踪意图与沉淀业务 SOP 的场景。
作者分享了使用 Elorian AI 刚发布的视觉理解与推理大模型 Glimpse 的体验。该模型能原生理解图片和视频中元素的位置、结构与空间关系。作者将其用于小王子游戏的 bug 排查：只需提供实际游玩录屏，Glimpse 就能分析游戏设计是否合理并梳理潜在 bug。实测中，在无游戏上下文情况下，其发现的问题数量是 Astra 的 3 倍，且可按视频时间戳罗列细节问题，便于逐一核验，极大解决了个人开发者验收容易遗漏的痛点。Glimpse 已开放 API，可接入 Codex、Claude Code 完善验收流程，也适合视频/图片生成等 AIGC 场景。
