Vibe Coding
今年写代码的工作模式已经变成主要靠 Agent 来辅助完成了。
去年还在和 AI 通过聊天框对话生成代码，到了今年，笔者开发时已经重度依赖 AI 代码 IDE 工具了。这一方面得益于大模型本身的能力提升，另一方面也离不开 Agent 技术的进步。前半年主要用的是 Cursor，后来因为没法使用 Claude，就换成了 Trae 一直用到现在。虽说 Trae 在能力上还有些不足，比如相比 cursor 没有原生的计划模式，但应对大部分开发任务已经足够了。尤其是今年做前后端项目时，用 AI 代码 IDE 特别顺畅，工作流大概：先让 Agent 生成文档，笔者审核通过后，再让 AI 搭建项目框架，之后具体功能开发就用 AI 做单元测试驱动开发。到了年底，发现用 Supabase + NextJS 这套技术栈时，发现体验尤其好 ——Trae 的 SOLO 模式还集成了 Supabase 的工具，能自动创建和更新数据库，省了不少事。
Coding & Agent
为什么写代码的 Agent 是目前 AI 最擅长的领域？我个人觉得主要有三个原因：一是工具使用能形成闭环，二是强化学习时的 Reward（奖励）定义很明确，三是涉及的模态很少。
先说说工具闭环。Agent 能否高效执行工具并获取反馈，直接影响它的实际能力。从年初的 MCP 到年末的 Skills，很多技术方案都在尝试开放平台来解决这个问题。对 Agent 来说，能自己构建 “自主收集信息 - 接收反馈 - 迭代优化” 的完整闭环（ ReAct 框架）特别重要 —— 比如 AI 可以通过命令行调用工具编译、执行、测试代码，还能直接看到输出结果，再根据结果调整任务。不过有意思的是，可能 MCP 的开发者比实际使用者还多，而且行业内对 “工具使用是否能增强 Agent 能力” 这件事，至今也没有统一结论，只能再等等看后续行业进展了。
再看 Reward 的问题。强化学习（RL）的核心瓶颈，其实是 “怎么定义一个能落地的 Reward”。Reward 是 Agent 迭代优化的方向，如果缺乏客观、精准的 Reward，没法形成有效的迭代闭环。很多时候，Reward 必须靠人类来定义，但也有少数场景，Reward 的定义本身就很清晰 —— 比如代码执行结果对不对、测试通没通过、数学推理准不准确、UI 点击有没有命中。正是这些定义明确的场景，LLM 在后训练中才能做得比较好。这让我想到了定 OKR 或 KPI：短期可测量的 KPI 很适合当 Reward 来训练，但人类世界里，不是所有工作都能这么定量描述，甚至很多指标的反馈周期特别长，用来做训练基本没意义。人类的做法是开公司、筛选有共同目标的人来定 OKR，这本质是 “筛选” 而非 “训练”，那 Agent 的训练，会不会也需要类似 “自然选择” 的逻辑呢？
最后是模态问题。虽然现在很多大模型能理解图片、生成视频，也有能玩游戏的大模型，但和人类的多模态能力比起来，差距还很大。目前来看，以文本为主要输出的场景，AI 的完成度最高；其他模态的训练数据，其实还少得可怜。比如判断一款游戏好不好玩，不只是看文字描述或视觉效果，还涉及身体感受、神经反馈这些维度，这其实也是多模态的一种体现，但目前 AI 还很难覆盖到。
年度游戏
虽说笔者在游戏行业工作多年，但有点惭愧的是，直到今年才真正开始 “体会” 玩法设计的门道。
今年一共玩了 40 多款游戏，其中投入时间最多的是《远征队 33》《逃离鸭科夫》和《Megabonk》。口味倒挺稳定：还是不太喜欢 PVP 和强联机类的游戏；不过意外的是，今年几乎没碰策略和竞速类，反而又把 RPG 当成了主要类型。按品类分，《远征队 33》是 JRPG，《逃离鸭科夫》是 “搜打撤” 类型，《Megabonk》则是 “吸血鬼 like”—— 这三个品类我过去几乎没深入玩过，但今年却在它们身上花了很多时间，也因此更清楚地看到了它们各自 “独特的点” 到底是什么。
远征队33（JRPG）
《远征队 33》最突出的优势是 “美术统治力”，尤其是音乐和画面一起营造出的 “印象派” 氛围 —— 它不靠写实细节取胜，而是用色块、光影和旋律，把情绪直接传递给玩家。很多玩家都有个共识：只要你能 get 到它的审美，就很难不被吸引；也有人说它是今年少见的 “靠视听驱动叙事” 的 JRPG。对我来说，这个优势足够掩盖其他方面的瑕疵，带来一种 “眼前一亮” 的初体验。
网上讨论最多的机制，是它 “即时回合制 / 混合战斗” 的创新。很多人说这种设计让回合制更有动感和张力，但我更认同另一种观点：它更多是在视觉和节奏上做了升级，而非让策略深度产生质变。确实，这种战斗方式更好看、更有冲击力，让回合制不再那么 “站桩”，但核心乐趣还是 JRPG 那套 —— 队伍构筑、资源管理和节奏控制。叙事方面则评价两极：主角团的 “类型化塑造”，对喜欢传统 JRPG 的玩家很友好，但讨厌的人会觉得套路化，或者情绪推动太刻意；不过这不算致命问题，单靠它的视听表现，就已经值得一玩了。
逃离鸭科夫（搜打撤 / 轻量塔科夫式）
《逃离鸭科夫》最聪明的地方，是把 “搜打撤” 的紧张感做了 “降门槛” 处理。它保留了 “撤离” 这个核心闭环（生存下来、带出资源、再投入下一局），同时用更轻松的节奏、更明确的成长线，把硬核的 “搜打撤” 拉向了更大众的 “RPG 化刷装” 体验。网上对它的好评，大多集中在 “容易上手”“不容易被挫败感劝退”“单局压力可控” 上，甚至有人把它当成 “搜打撤入门教材”。
同时，它也用了很多 “经典 RPG 逻辑” 来增强玩家黏性：角色成长、解锁新内容、任务叙事、逐步变强的确定性回报 —— 就算不喜欢高对抗，玩家也能从 “稳定推进进度” 中获得持续动力。这一点对我这种不爱 PVP 的人来说很关键：它让 “搜打撤” 不再只依赖 “和人斗的乐趣”，而是靠 “今天又多进步了一点” 的安全感留住人。当然争议也有：对硬核 “搜打撤” 玩家来说，它可能不够残酷、不够 “真实”；而且到了中后期，内容重复、最优解趋同，加上掉落率、经济系统、武器手感的平衡调整，也经常成为玩家讨论的焦点。
Megabonk（吸血鬼like / 幸存者类 3D化）
《Megabonk》的独特性，在于把 “吸血鬼 like” 的核心循环（快速构筑技能、海量击杀敌人、短周期反馈）做成了真正的 3D 空间体验。过去很多玩家觉得这类游戏用 2D 俯视视角就够了，因为核心爽点在数值和清屏；但《Megabonk》偏要反着来 —— 加一个维度，把移动和空间策略拉进来：跳跃、爬墙、走位、闪避，让 “躲弹幕、拉怪、控场” 从 “平面几何” 变成了 “立体路线规划”。网上常见的好评是 “像把幸存者类和动作 RPG 的手感拼在了一起”，这种差异化在同类游戏里很容易让人记住。
当然，为了支撑 “海量敌人” 的玩法，它也做了明显取舍：画面资源和敌群表现更服务于玩法，而非观赏 —— 敌人动画帧率偏低，同屏信息密度大时，清晰度和性能也会打折，这是玩家常吐槽的点。另一个常见批评是 “构筑爽但容易滚雪球”：一旦抓到强势技能组合，中后段就会从 “紧张对抗” 变成 “碾压清场”，需要更多模式或数值调校来支撑长线体验。不过就即时体验来说，这种 “快速变强、快速看到结果” 的快节奏成长，正是它让人一局接一局停不下来的原因。
游戏开发
今年笔者写了不少关于游戏未来的博客，很多内容都和 AI 创作相关，这里就不一一展开了，只贴出几篇的摘要，方便大家快速了解核心观点。
这篇文章聚焦于 AI 如何重塑游戏的三个核心要素：状态、行为空间与表征。AI 让 “状态” 从单纯的数值（比如血量、金币），变成了记忆链、向量等复杂系统；让 “行为空间” 从开发者预设的动作集合，走向动态开放（比如自由输入指令、任意肢体反馈）；让 “表征”（玩家感知世界的媒介）从提前制作的美术资源，变成实时生成（比如随情境变化的树木形态、NPC 语气）。文章还强调，游戏的本质不是 “复刻现实”，而是对现实的 “艺术化切片”—— 提取核心体验，用可控框架浓缩成交互内容。AI 的价值不是追求 “无限自由”，而是在创新与可控间找平衡，让 “切片” 更精准、体验更普适。最后，文章预测了 AI 游戏的四个演进阶段：从 AIGC 工具辅助制作，到 AI Agent 优化行为空间，再到 AI NPC 与 VR 融合的混合世界，最终到脑机接口支撑的全沉浸体验，核心都是让游戏的 “可控沉浸” 更灵活。
这篇文章围绕 “顶点块下降（VBD）” 这种新型物理模拟方法展开，探讨它在 GPU 物理引擎中的应用潜力。VBD类方法通过能量下降迭代和局部解算，相比传统物理引擎在收敛速度和并行性能上具有显著优势，特别适合GPU计算。然而，当前GPU物理引擎在游戏应用中面临CPU/GPU数据同步延迟的挑战，影响了触发器和碰撞反馈等交互逻辑。文章提出了混合模式和全GPU驱动两种架构方案，指出该技术目前最适合大规模物理模拟或体素类游戏，但因开发难度和生态不成熟，尚未成为主流通用方案。
3D Gaussian Splatting：影视与游戏领域的应用分析
这篇文章分析了 3D 高斯溅射（3DGS）技术在影视和游戏领域的应用前景。在影视行业，3DGS 有望重构制作流程：靠后期编辑能力简化前期布景和妆造，还能催生两类商业机会 —— 一是商用空间光场拍摄设备，二是 AIGC 驱动的后期工具。。在游戏领域，尽管目前面临移动端效率、动态光影及物理交互等瓶颈，但 3DGS 相比纯视频生成具有显著的渲染成本优势。作为混合渲染管线的一部分，它在 AIGC 资产生成、复杂几何（如植被、云雾）的高效表示以及高保真角色还原方面展现出巨大潜力，将推动视觉创作向更高效、沉浸的方向演进。
这篇文章探讨了游戏 “破坏效果” 中物理模拟与艺术表现的关系，核心观点是：好的破坏效果不是 “越真实越好”，而是 “物理真实 + 艺术规则 + 玩法需求” 的平衡。文章用四个案例做了分析：《Control》靠 “层次化预制碎片”和程序化工具，让传统刚体物理呈现出强视觉冲击；《Instruments of Destruction》用规则驱动坍塌，在 Unity+PhysX 框架下做出了策略性拆楼体验；《BeamNG》的车辆软体模拟虽在物理真实上做到极致，但缺乏艺术化补充；《Teardown》则用体素技术 +“艺术化破坏规则”，让破坏融入关卡设计，牺牲部分物理严谨性换来了更强的表现力。结论是，优秀的破坏系统并非单纯复制现实物理，而是“物理真实 + 艺术规则 + 玩法需求”的平衡产物，旨在服务于游戏体验。
做的游戏
今年笔者做的两个游戏项目上线（Demo，EA）了，不过都还有不少待完善的地方。
第一个是 “风洞模拟器”。核心功能是用 CSG 建模拼出一个模型，然后通过风洞模拟吹它，得到各种数据和可视化结果。但笔者一直有点纠结它的定位：作为解谜游戏，虽然做了两个关卡，但后续很难拓展，也没有完整的游戏循环；作为可视化工具，计算结果又不够精准；作为沙盒游戏，可交互性太差；或许它更像一个技术 demo，用来证明风洞模拟能实时可视化运行。
技术上，用 Lattice Boltzmann 方法通过 Compute Shader 实现 —— 这套方法本身是符合物理规律的，虽然没做可移动边界和多介质模拟，但计算结果至少在定性上是对的。开发时遇到的最大问题，就是 “物理太写实” 反而限制了玩法设计：用模块拼装模型时，很难做出让玩家有成就感的成长体验。很多 RPG、模拟经营游戏，看似是视觉化体验，核心其实是数值成长 —— 数值和成就的提升驱动玩家持续玩下去；就算是有组装玩法的赛车游戏，本质也是设计师构建的数值体系在起作用。可一旦游戏太依赖物理真实，数值成长的空间就被压缩了；如果做解谜玩法，又很难设计出一套合理的谜题体系，或许这类项目只能走沙盒路线。
第二个是 Voxel Playground，一款类似《Teardown》的体素 VR 游戏，目前在 Meta Quest 平台发售。用 Unity 开发。刚上线的版本有沙盒 Mod 玩法和生存玩法，笔者主要负责体素物理、破坏系统和渲染部分。体素物理参考了《Teardown》的设计，真的做了体素级碰撞；渲染上加了简单的昼夜循环和 LPV 光照；破坏系统则大量用了 Job 并行来优化性能。最后能在 Quest3 上完整跑通一个小规模场景，已经很不容易了。这开发让笔者体会到：一个技术要在业务场景里落地，比做 demo 复杂多了 —— 要考虑性能、要平滑重构迁移、要考虑同事的开发体验，还要兼顾玩法体验的特殊需求。
其实这两个游戏的问题在《Teardown》中也存在：因为用了真实的物理系统，很难加数值成长体系，门槛相对较高，可能没法让大多数玩家觉得 “好玩”。《Teardown》除了沙盒模式，在真实物理引擎上只能做 “拆迁 + 撤离” 的解谜玩法，我个人就很难沉浸到这类关卡里。
网球
笔者打网球也快 8 年了，但之前感觉都是随便玩玩，直到今年才真正开始参加比赛。年初先打了些非正式比赛，打磨技术和心态；年中参加了 Tennis123 的 2.5 单打比赛，四胜一负拿了冠军，直接升到 3.0；到了年末，打 2.5-3.0 级别的双打，也能起到 “carry” 的作用了。说实话，到了这个年纪，身体素质很难有质的提升，技术和球感还有进步空间，但心态是最容易提升的部分。
今年学到一个冷知识：费德勒职业生涯的胜率是 80%，但每一分的得分率其实只有 54%—— 原来顶尖高手也不是每一分都能赢啊。其实就算是大满贯比赛，选手之间的差距也没那么大。
参加的那场 2.5 单打比赛，过程还挺曲折的：小组赛第一场放不开，输了；后面两场调整了状态，都是 4:0 拿下；半决赛遇到个 “大磨王”，最后把他心态打崩了，抢七局打了个 7:0；决赛则复仇了第一场输给的对手。这段经历让我总结出两点心态上的关键：一是 “平常心”，上一个球的结果不重要，每一分都要忘记比分，当成第一个球来打 —— 尤其是发二发的时候，这样才能避免紧张导致动作变形；二是 “专注”，要像狩猎一样集中注意力，甚至可以调动一点愤怒的情绪来让自己更投入，只有眼里只盯着球，才能打出稳定的击球。
打球是这样，人生其实也差不多。遇到实力远超自己的对手，承认差距就好；但大多数时候，对手和自己实力相当，机会并不少，关键是别慌了心态。好的心态，往往能让表现提升一大截。
==分割线==
以上，作为年终总结，
最后，祝各位读者新年诸事顺遂！