1. AI 工具使用分享

開場：目前主流 AI 工具一覽

目前市面上常見的 AI 輔助開發工具大致分三類：

  • 補全型：GitHub Copilot — 嵌入 IDE，即時補全代碼
  • 對話型：ChatGPT、Claude Web — 問答式，適合查資料、討論方案
  • Agent 型：Claude Code、Cursor — 能讀取整個專案上下文，執行多步驟任務
參考

各工具適用場景

場景 Copilot ChatGPT/Claude Web Claude Code
片段補全 強 不適合 可以但殺雞用牛刀
函數級別生成 中 可以但需複製貼上 強，直接讀寫檔案
跨檔案重構 弱 不適合 強，理解專案結構
架構討論/方案設計 不適合 強 強，且可直接執行
Debug / 問題排查 有限 需貼 log 強，可直接讀 log 跑測試

實際案例 Demo（挑 1-2 個帶過）

以下是實際用 Claude Code 做的項目，可選其中案例演示：

  • 貪婪算法應用在零食采購：使用claude code生成基礎工具，再根據需求調整功能

  • figma export to unity prefab：根據需求設計使用claude code，再調整需求架構

CC 使用操作行爲

  1. 複製 claude 配置進入項目
  • CLAUDE.md
  • .claude/
  • .claudeignore
  • .gitignore
  1. 切換環境進入 cc
    $ claude
  2. 建立初期理解
    cc: 進行分析，將項目架構使用寫入 Readme.md
  3. 開始分析問題
    cc: 幫我分析下目前存檔跨度需要快2秒，時間有點慢，請幫我分析問題可能在哪裏
  4. 案例2
    cc:
    
修改buildinfo功能，输出2份内容，1份是完整的訊息，另外1份是給ai分析使用
  • 負責這個功能的檔案在這 unity\Assets\Editor\Tools\BuildProcessor.cs
  1. 完成現階段任務，保存session
    cc: $ /save

關於CC使用上注意事項

  1. 關於游戲應用領域的基礎認知
  • AI需要code review
  • 如果你都不懂，更別奢望他懂
  • 如果你連看對話的時間都沒有，那就必須慎重
  • AI從輔助程式員轉換成輔助主管，端看你如何使用
  1. 基礎該具備的常識
  • Prompt 的品質直接決定產出品質 — 模糊的指令 = 模糊的結果
  • 敏感資訊（API Key、密碼）絕對不要餵給 AI
  • 多接觸關於 LLM 常規知識
  1. 關於 Claude Code 技能的訓練
  • 上下文窗口有限，過大的專案需要用 CLAUDE.md 等方式引導 AI 理解重點
  • 良好的使用 command、skill、mcp 去設計你的架構

2. 遊戲製程上的可應用發展

程式面

AI 輔助寫 Code — 幾個具體場景：

  • 功能模組快速原型：先用 AI 產出骨架，再手動微調
    • 例：給 AI 一個系統需求描述，讓它先搭出類別結構和接口
  • 重複性代碼生成：資料結構定義、序列化/反序列化、配置表解析
    • 遊戲開發中大量的 Config Parser、Protocol Buffer 對接都適合
  • 跨領域輔助：遇到不熟的領域時特別有用
    • Shader 編寫、網路層協議、平台相關 API（iOS/Android 原生）

Code Review：

  • 讓 AI 掃一遍新寫的代碼，抓潛在問題
    • 記憶體洩漏風險、空引用、邏輯漏洞
    • 命名不一致、風格問題
  • 不能取代人工 Review，但可以作為第一道篩檢

自動化測試：

  • 根據現有代碼自動生成單元測試案例
  • 實際經驗：
    • 目標訂立：開發成就系統
    • 撰寫 gm 指令接口
    • 編寫類似 BTT 測試樣本（使用 gm 指令）
    • 進行測試

其他面

測試案例生成：

  • 從需求文檔或 Spec 直接讓 AI 產出測試清單
  • 適合 QA 前期快速建立測試範圍

Bug 報告歸納：

  • 把 log 或 crash report 丟給 AI，快速定位問題範圍
  • 特別適合大量重複性 log 的歸類分析

文檔與知識整理：

  • 用 AI 整理技術文檔、會議記錄、開發規範
  • 新人 onboarding 文件的快速生成

討論：哪些適合導入、哪些暫時不適合

適合導入：

  • 工具類代碼、重複性高的模組
  • 原型驗證階段
  • 文檔整理、測試案例生成
  • 跨領域探索（不熟的技術棧）

暫時不適合：

  • 核心遊戲邏輯（需要精確控制的部分）
  • 效能敏感的底層系統（AI 不一定理解特定引擎的優化策略）
  • 涉及公司機密的商業邏輯（資料安全考量）

轉型常見卡點

  1. Prompt 思維

    • Copilot 不用寫 prompt，打字就補全
    • Claude Code 需要清楚描述你要什麼 — 越具體越好
    • 常見錯誤：指令太模糊（「幫我優化這個」→ 優化什麼？效能？可讀性？）

  2. 上下文管理

    • Claude Code 能讀整個專案，但不代表它什麼都知道
    • 用 CLAUDE.md 告訴它專案規範、架構重點
    • Session 管理：長任務需要記錄進度，避免上下文丟失

  3. 信任邊界

    • 不要 100% 信任 AI 的產出，也不要 0% 信任
    • 建立自己的 review 習慣：AI 寫完 → 你看過 → 確認 → 合併
    • 特別注意：AI 可能會「自信地寫出錯誤的代碼」

如果看完了感興趣，可以跟我要 pptx，這邊就沒放上來了

無標籤

新增評論