01 项目目标
此前，我使用 Houdini 与 UE5 PCG 构建了一套程序化聚落生成系统。这次尝试以 AI Coding Agent 为主要代码实现工具，将静态场景扩展为可交互的城市建造游戏。
我负责玩法设计、技术约束、方案取舍与结果验收，结合自然语言、生成图像和视频参考传达需求；Codex 借助 Unreal MCP 调查既有工程并实施开发。
最终形成了可独立运行的 Windows Demo，包含地块建设、资源经济、区域解锁、建筑升级及存读档等功能。
02 从程序化生成到实时交互
核心技术难点是将原本一次性生成整座聚落的 PCG 系统，改造为按玩家操作、独立生成和管理建筑的运行时系统。
开发中复用 Houdini 导出的建筑基点、地块边界与空间属性，为地块建立独立的建造状态，并将原有 PCG 建筑及附属物接入建造、拆除、升级和存档流程。
这一改造使原有程序化系统不再仅用于生成场景，而成为可以持续响应游戏状态的内容基础。
03 AI 实现中的问题与纠偏
开发中反复遇到的问题是：Agent 能够实现功能，却不一定真正理解既有系统。
例如，早期住宅生成只复用了原 PCG 末端的建筑拼装，遗漏了随机尺寸、位置偏移和后院留白等设计规则，导致建筑比例失衡、农田越界。经过重新分析原始 Graph，才逐步恢复完整布局与附属物生成逻辑。
河流修复也经历了类似问题。Agent 最初额外生成独立补水网格，带来了显隐失联与水面闪烁。最终放弃补丁方案，转为直接调整原生河流 Spline。
另一次尝试让道路随建筑自动连接，虽然实现了功能，却破坏了道路连续性，最终恢复按区域解锁显示。
这些经历让我更加重视既有工程的理解、方案合理性，以及避免不必要的技术复杂度。
04 交互、美术与性能取舍
在功能闭环之外，我持续调整空间布局、建筑比例与视觉体验，并重新设计环形建造菜单、资源界面和区域交互。
随后又开展积雪与巨型藤蔓生长实验。
积雪系统舍弃了旧方案中昂贵的动态厚雪几何与碰撞，改用 GPU Niagara、材质覆盖及局部清雪，在视觉层次和运行成本之间取舍。
藤蔓则采用预先组织的生长路线与立体管状网格，从局部形态验证推进至全图覆盖和建筑攀爬，并持续调整交织关系、动画、材质与远景性能。
两种效果目前主要作为独立测试功能，尚未完整融入城建经济玩法。
05 总结
AI Agent 显著降低了复杂工程的实现门槛，但也容易因缺乏对既有系统的整体理解，引入冗余结构或破坏原有设计。
实践中，自动化测试通过与实际体验合格并不等价。功能、性能、空间关系和审美效果，需要分别检查。
这次探索的核心收获，是逐渐明确人机协作中的职责：AI 承担大量具体实现，人负责定义目标、理解约束、判断取舍，并通过实际结果不断修正实现路径。