chore: collect latest dingTalk feishu docs
This commit is contained in:
@@ -0,0 +1,175 @@
|
||||
# 2026.6.27-日报-张家振
|
||||
|
||||
|
||||
Source: https://feishu.cn/docx/EkBRwgbB0imHJ4kPecoc17OrnWd
|
||||
|
||||
|
||||
## 工作内容概述
|
||||
|
||||
1、参加老李的游戏课
|
||||
|
||||
## 一、AI 的变革
|
||||
|
||||
变革的程度
|
||||
|
||||
超越以往发明:AI 的诞生是一场比工业革命大 100 倍的变革,它对社会和工作产生了根本性的改变。
|
||||
|
||||
改变工作分工:AI 替代了人的劳动力,改变了传统的工作分工方式,使得原有的分工模式不再适用。如:过去的分工方式制约了 AI 的使用,而现在许多机械性工作如上传下达、整理表格等很快会被 AI 取代。
|
||||
|
||||
影响就业和经济:出现了 GDP 快速增长但失业率也快速增加的现象,这是历史上从未有过的。公司若不能通过 AI 提效,将面临倒闭、衰退和失去竞争力的风险,许多员工也会因此被优化。
|
||||
|
||||
工作方式的挑战
|
||||
|
||||
打破旧有习惯:人们身上存在大量旧的工作习惯、思维方式和看待问题的方式,限制了对 AI 的使用。
|
||||
|
||||
改变工作流程:AI 的发展使得工作流程不断变化,如从最初的提示词编写,到后来的建立循环、人在循环中参与审核,再到现在提倡人创造和优化生产系统。
|
||||
|
||||
挑战专业分工:AI 技术淘汰了大量机械性工作,对传统的专业分工产生了冲击。一些专业的分工方式可能需要重新调整,每个人都需要关注其他领域的知识,从工作循环中走出来,站在外面审视和改进工作。
|
||||
|
||||
## 二、适应 AI 时代
|
||||
|
||||
培养工程思维
|
||||
|
||||
理解需求与代码的互动:工程思维是未来 AI 原生原住民必须掌握的能力,它与编程技巧无关,而是要理解代码和需求之间的互动关系,以及如何管理需求的变动。
|
||||
|
||||
搭建工作系统
|
||||
|
||||
成为系统构建者:个人和公司要从系统的执行者转变为系统的构建者,围绕问题搭建适合自己的工作系统,而不是仅仅将 AI 作为工具来解决问题。
|
||||
|
||||
提高市场竞争力:在 AI 时代,能够提供同等能力的人越多,市场价格就越低。因此,要通过学习和使用 AI,获得与同辈人相比的优势,提高自己在市场上的竞争力。
|
||||
|
||||
积极交流与尝试
|
||||
|
||||
分享使用经验:即使是对 AI 非常确信和投入的人,也不一定真正了解 AI 的全部。因此,要建立交流环境,分享不同人使用 AI 的经验和方法,拓宽对 AI 的认知和想象力。
|
||||
|
||||
提前学习与实践:不要等待 AI 降价和普及后再使用,应提早拥有学习和使用 AI 的思维,尝试生产工具,解决可能遇到的障碍,以适应时代的发展。
|
||||
|
||||
## 三、利用 AI 学习的方法
|
||||
|
||||
利用 AI 学习的重要性
|
||||
|
||||
突破个人上限:AI 不是简单的工具,而是帮助人们突破自身上限的重要手段,尤其是在学习方面。通过 AI 可以快速获取知识,拓展自己的边界。
|
||||
|
||||
适应时代发展:未来拥有 AI 原生能力的人将更具优势,就像现在的年轻人熟练使用智能手机一样。人们需要重新塑造思维,学会与 AI 相处,创造性地使用 AI。
|
||||
|
||||
学习方法分享
|
||||
|
||||
提问与拆解:可以从问一个最基础的问题开始,逐步学习如何使用 AI。如:先让 AI 提供某个行业的专有名词,了解行业概况,然后让其拆解任务,明确核心内容和阶段。
|
||||
|
||||
提炼与总结:可以将 PDF 文件或博客内容交给 AI,让其提炼核心内容,提高学习效率。同时,也可以让 AI 根据个人情况制定学习计划,并进行考试巩固知识。
|
||||
|
||||
互动与反馈:在与 AI 交流过程中,要敢于提出问题,要求 AI 用简单易懂的语言解释专业知识,并通过不断追问和测试来加深理解。
|
||||
|
||||
## 二、AI 工作中的应用案例
|
||||
|
||||
编程领域
|
||||
|
||||
减轻编程工作量:现在程序员手动编写代码的比例大幅下降,很多代码由 AI 完成。
|
||||
|
||||
提升编程效率:AI 不仅能编写代码,还能帮助检查代码中的问题,通过AI读取源代码,分析游戏的数值问题,并提出改进建议。
|
||||
|
||||
改变编程方式:人们与 AI 的交互方式发生了变化,不再像以前那样关注中间步骤,而是让 AI 直接完成任务,然后根据结果提出反馈和改进意见。
|
||||
|
||||
文档处理领域
|
||||
|
||||
生成文档:利用 AI 可以快速生成各种文档,如需求文档、原型文档等。比如通过与 AI 对话沟通需求,AI 可以按照业务要求生成相应的文档。
|
||||
|
||||
文档一致性问题:在使用 AI 生成文档的过程中,会出现文档一致性问题,如需求文档、原型和功能说明之间的不一致。为了解决这个问题,需要引入规格说明驱动,通过规范文档和流程来保证一致性。
|
||||
|
||||
AI 在游戏动效制作中的应用
|
||||
|
||||
动效制作
|
||||
|
||||
工具与效果:通过 span animation 的 skill,用 Codex 执行可制作 span 动作,输出 span动画 的 JSON 给程序,但目前只能做通用型动作,如待机、跑步、受击等,攻击方向可能不准确。
|
||||
|
||||
制作流程:尝试多种方式,如直接给图片让其出 JSON 文件、让其加骨骼等效果不佳,最终人工加骨骼和蒙皮绑定,让其制作动画,并进行提示词测试,第二版提示词加约束条件后效果稍好,可提升小游戏小怪动效制作约 40% 的效率。
|
||||
|
||||
动效制作局限:目前更适合做通用型动作,对于更精确的动作仍需人工加骨骼和蒙皮绑定权重,对于创意型复杂表演暂时达不到要求,需多累积提示词以应用于更多小怪场景。
|
||||
|
||||
AI 在游戏文件管理中的应用
|
||||
|
||||
特效素材库搭建:使用 Codex 搭建了类似于 B 站的特效资源库,可读取并展示多年积累的特效文件,方便复用。
|
||||
|
||||
## 五、AI从原型到工程的转换
|
||||
|
||||
工具功能与现状
|
||||
|
||||
功能实现:程序开发了 Codex 技能,可将策划的 HTML 原型自动化拼装成 UnityUI 预制体,目前已能搭出第一版结构,从 bookview 到背景、标题滚动容器、格子 item 等基本元素有了还原方向。
|
||||
|
||||
存在问题:工作流尚不成熟,从 HTML 到 UnityUI 的自动还原质量处于初创阶段,产物较粗糙,如布局精度、字体效果、资源匹配、滚动区域细节、item 复用等方面存在问题,后续需大量人工二次调整。
|
||||
|
||||
工具现实价值
|
||||
|
||||
辅助需求拆解:AI 可辅助拆解需求,利用视觉模型拆出用例体的 UI 区域、节点层级和复用结构,减少人工分析哪些是背景、装饰图、按钮、可复用 item 及数据驱动内容的工作量。
|
||||
|
||||
读懂项目规则:AI 能读懂项目规则,明确页面落地应触发的规则、可动路径、需人工确认的事项等。
|
||||
|
||||
识别工程风险:AI 可识别工程风险,列出工程任务,提醒自动化能力边界。
|
||||
|
||||
未来提升方向
|
||||
|
||||
提高 Prefab 质量:优化布局识别、字体样式和分辨率适配,从能出结构逐步减少大量手工摆放。
|
||||
|
||||
建立资源流程:让 AI 识别资源,输出缺失资源清单,建议命名规范,并接入小图的图集流程。
|
||||
|
||||
还原业务模块:将模块的业务代码块和 UI 预制体连还原起来,把页面还原推进到业务模块生成阶段。
|
||||
|
||||
实现自动验证闭环:理想状态是 AI 生成或修改后自动触发编译检查、必然路径检查、平台配置检查、构建检查,并反馈结果给开发者。
|
||||
|
||||
## 五、AI 全栈游戏开发工作流
|
||||
|
||||
AI 全栈定义
|
||||
|
||||
依靠 AI 能力,单人承担策划、程序、美术的工作职责,能完成一个功能的单体落地,从设计到程序实践,再到美术资源介入和设计都由一人完成,效率较高。
|
||||
|
||||
工作流类型
|
||||
|
||||
策划到程序工作流:以敏捷开发思想加上 Super Powers 为核心,提高开发效率并保证开发质量。
|
||||
|
||||
AI 配表工作流:以新颖的 YAML 表格格式为基础,适合 AI 操纵和读取,能实现全自动配表,但正确率比传统 Excel 低,需人为检查和配置。
|
||||
|
||||
AI 美术生成资源管线:以 CodeX 加上 Image2 为工具,开发了一套 Skill,覆盖从美术设计到后处理入库再导入引擎的全流程。本次主要分享程序策划工作流。
|
||||
|
||||
工作流核心思想
|
||||
|
||||
功能驱动而非文档驱动:抛弃传统繁重文档,通过与 AI 直接讨论明确需求,让代码和功能成为唯一真相。制定的 SPEC 文档即用即抛,仅用于记录方便回顾。
|
||||
|
||||
小步快跑追求快速迭代:将大系统、大功能拆成小功能分布实现,与 AI 的上下文管理联系紧密,避免超出其上下文范围。做完一个功能后立即进行验收测试、反馈迭代,构建快速迭代循环,合理利用 AI 纠错和开发速度快的特点提高开发效率。
|
||||
|
||||
与传统工作流对比
|
||||
|
||||
对比维度
|
||||
|
||||
传统工作流
|
||||
|
||||
AI全栈工作流
|
||||
|
||||
开发质量
|
||||
|
||||
稳定,出错概率低
|
||||
|
||||
不稳定,需人工检查约束
|
||||
|
||||
沟通成本
|
||||
|
||||
链条长,多角色协作复杂
|
||||
|
||||
仅需与AI沟通,上下文易对齐
|
||||
|
||||
修错成本
|
||||
|
||||
需协调多工种,返工周期长
|
||||
|
||||
仅需与AI沟通,修复直接高效
|
||||
|
||||
协作效率
|
||||
|
||||
分工明确,人工效率最大化
|
||||
|
||||
单人完成多角色工作,迭代速度快
|
||||
|
||||
适用场景
|
||||
|
||||
大型项目,质量要求高
|
||||
|
||||
小型项目,快速验证创意
|
||||
Reference in New Issue
Block a user