先训练一个懂游戏规则的垂类模型
围绕高频积木、引擎版本、定义与案例整理并合成训练样本，训练一个懂《元梦之星》编辑器的垂类模型（SFT）；再用知识库补齐持续更新的游戏规则。
CASE 01 / ENTERPRISE AI · AGENT2025.08 — 2026.02
腾讯游戏 · 元梦之星
AI Coding 助手
Natural Language to Game Logic让不会写代码的玩家，也能用自然语言创造游戏逻辑。
01PLAYER
玩家说出想法
自然语言描述玩法例如：进入区域后，触发一段限时解谜。
保留当前画布继续修改时，不会忘记已经搭好的逻辑。
02UNDERSTAND
系统拆解需求
先规划，再执行分清要创建哪些事件、条件、动作和先后关系。
03KNOWLEDGE
查询游戏规则
找到可用积木查询积木定义、参数和引擎版本限制。
训练垂类模型用游戏积木与规则样本，训练一个懂《元梦之星》编辑器的模型。
04BUILD
自动搭建逻辑
调用编辑器工具检索、创建积木、填写参数并完成连线。
只改受影响部分简单修改走增量更新，复杂任务才重新生成。
05CHECK
检查并修复
诊断 → 重建 → 验证读取报错，只修问题节点，再确认逻辑可以运行。
玩家得到什么可直接运行的游戏逻辑→还能继续用自然语言修改失败样例会回到知识、训练与评测环节
先定义真正的问题。
积木编辑器已经比传统编程简单，但玩家仍要理解触发器、参数和连线规则。早期方案暴露出三类核心问题：听不懂游戏概念、单次任务要调用 25 次以上工具、长上下文里容易遗忘或混淆指令。
94%↓单次生成成本
25→<10单任务工具调用
85%+稳定生成准确率
三个关键产品判断。
把“想做什么”和“具体怎么搭”分开
规划模块先把玩家的一句话拆成事件、条件与动作；执行模块再查询规则、创建积木、填写参数并完成连线，使复杂任务更稳定，也支持多轮和局部修改。
让失败能被发现，也能自动修复
系统读取编辑器报错，定位具体出错节点，只重建有问题的部分，再验证是否可以运行；失败样本继续回到训练和评测环节，补足模型不会的长难任务。
03 / PRODUCT SYSTEM
把能力组织成闭环。
不只展示页面步骤，也展示数据如何流动、模型如何协作，以及产品如何把不确定性收进反馈回路。
这是一个嵌在《元梦之星》UGC 编辑器里的 AI Coding 助手。玩家只要说出想实现的玩法，系统就会理解需求、查询游戏规则、搭建积木并检查错误，最后返回可以直接运行和继续修改的游戏逻辑。
用户输入系统处理结果输出反馈改进
01
玩家描述想法例如：进入区域后触发限时解谜
02
系统拆解需求分清要创建哪些事件、条件和动作
03
查询游戏规则确认有哪些积木、参数与引擎限制
04
自动搭建逻辑自动创建积木、填参数并完成连线
05
检查并修复读取报错，只重建有问题的部分
06
返回可运行结果画布可运行，也能继续用自然语言改
失败怎么变成下一次更准
记录失败样例→定位出错步骤→补知识与训练数据
↰ 回到上游持续校准04 / OUTCOME
结果，以及仍需验证的部分。
- 单次生成成本降低超过 94%。
- 单任务工具调用从 25 次以上压缩至 10 次以内，降低等待时间与上下文负担。
- 自动修复与兜底策略将前端报错率压降至 1% 以下，稳定生成准确率达到 85%+。
- 长难逻辑生成 GT 评分从 4 分提升至 9.5 分，产品从一次性生成演进到可持续修改。
页面只保留公开求职所需的产品方法与聚合指标；知识、训练数据和工程资产均为团队成果，个人职责聚焦产品路径、评测闭环与跨团队推进。