# WiBfwLPy1iBhk5kHfQPccx2un0f

Source: https://dianchukeji.feishu.cn/wiki/WiBfwLPy1iBhk5kHfQPccx2un0f


# 一.今日工作内容概述
  - 尝试引导Agent跑通美术资产从生成到配置的完整工作流程，整体效果不错，说明这类“重复度高、链路长、规则明确”的任务适合引入 Agent 参与
  - 继续推进游戏开发工作，主要包括：
    - 完成 UI 配置器开发，补齐了当前项目 UI 资源配置和组织的一部分编辑能力。
    - 修复了一批现有 Bug，提升了当前版本的稳定性。
    - 梳理目前项目中 Unity UI 实现与配置对 AI 开发的优劣，为后续继续用 AI 介入 UI 配置、资源整理和批量数据处理提供参考。
# 二.关于 Agent 执行美术资产配置
## 背景与目标
  - AI 程序已经系统性给出交接文档，按正常流程原本需要由人类逐一完成资产生成与配置。
  - 但这批资产重复度高、批量大、流程固定，适合让 Agent 介入，把重复劳动交给自动化处理。
  - 本次尝试的目标不是单次追求最大产量，而是先跑通“生成 -> 处理 -> 落盘 -> 导入 -> 配置 -> 验证”的闭环，确认后续能否稳定扩展。
  - 交接信息中已经覆盖了总述、敌人资产配置方法、特效资产配置方法和常见问题，其中总述部分还包含放置目录、导入设置建议、引擎内操作流程和等级循环规则，整体足够支撑 Agent 上手。
## 交接资料与资源准备
  - 项目认识部分：
    - 项目文档：作为直接相关的主参考文档。
    - 项目路径：将代码结构作为文档补充，便于 Agent 同时对照资源位置和配置入口。
    - 由程序AI撰写的
  - 资产生成部分：
    - API key（已脱敏）：供 AI 工具调用 MeowArt。
    - API key 文档：用于让 Agent 理解鉴权格式、参数传递和调用约束。
  - 平台说明：
    - MeowArt 是一个面向批量生成风格化资产、并提供 API key 的平台。
  - 额外尝试：
    - 新建子 Agent，并设置好工作路径，让其直接引用交接文档和项目资源执行任务。
    - 同步尝试接入 meowa-skills 中的 game-assets 能力，目标是把资产生成、导入和配置串成标准流程。
## 执行策略与模型选择
  - 第一次没有直接要求 Agent 进入大规模批量生成，而是先让它完成整个配置流程的打通验证。
  - 这类任务逻辑复杂度不高，但执行链条很长，因此选择 GPT-5.4 mini high。
  - 这个选择的考虑是：
    - 成本相对更低，适合长时间流程型任务。
    - 支持多模态，适合基础视觉判断和资产确认。
    - 更适合做流程验证、接口探测和规则整理，而不是单纯的文本推理。
  - 整体上，本次重点不是一次性产出最大数量的素材，而是先确认工具链、接口链路和配置链路能否稳定工作。
## 第一轮执行过程
  - 检查目标与配置范围定位，先确认需要处理哪些目录、哪些 SO、哪些配置入口。
  - 查询接口文档与网络抓包信息，补齐实际调用路径。
  - 查询 Key 生成与鉴权格式，核对 API 参数如何传递。
  - 验证 API 额度与单图试生成（Probe），先确保基础调用能成功，再进入批量阶段。
  - 从执行过程看，第一轮花费最多时间的是 API key 数据格式、鉴权机制和接口可用性确认，而不是后面的出图本身。
## 实际执行明细
  - 检查项目现有素材范围与资产 SO 结构。
  - 在前置 Skill 失效的情况下，继续挖掘并抓取隐藏 API 接口，尽量不阻塞主流程。
  - 校验 MeowArt 余额、生成路由与传参机制。
  - 修改资产导入逻辑，把像素采样调整为高清 Bilinear，以减少素材边缘和缩放后的画质损失。
  - 针对前 50 级武器执行“出图 -> 去背 -> 落盘”的批量处理。
  - 运用本地变体技术补齐各阶梯材质与等级感跨度，让不同等级之间的视觉过渡更自然。
  - 手动构建 50 组图对应的 .meta 元数据与唯一 GUID，保证 Unity 侧导入与引用稳定。
  - 重写 WeaponProgressionConfig.asset 的配置逻辑，建立更精确的映射机制。
  - 清理生成期间产生的本地缓存与临时文件，避免环境污染影响后续批量操作。‘’
▼执行表现，最后成功批量生成了50资产，并且配置成功，手动重置后游戏资产配置完毕
![图片](../feishu-images/WiBfwLPy1iBhk5kHfQPccx2un0f_GBiFbXrdRode.png)
![图片](../feishu-images/WiBfwLPy1iBhk5kHfQPccx2un0f_MIUPbwlKeol0.png)
实际效果，资产表现达标，但AI在大小调整方面仍然表现一般，后续需要手工调整大小▲
## 阶段性总结
  - 这次尝试验证了 Agent 介入批量资产配置是可行的，特别适合重复度高、规则明确、链路较长的任务。
  - 同时也暴露出一个明显问题：前置文档如果没有把 Key 格式、鉴权方式、额度检查和试生成流程写清楚，Agent 会在这些基础信息上消耗较多时间。
  - 后续最好把这部分整理成标准文档，让下一轮 Agent 直接按固定流程跑，减少重复探索成本。
## 后续优化方向
  - 把检查目标、接口文档、Key 格式、额度验证和 Probe 流程固化为标准交接文档。
  - 继续完善 game-assets 相关的执行规则，让 Agent 能更稳定地完成导入和配置。
  - 之后如果继续扩充武器、敌人和特效资产，可以优先复用本次跑通的链路，再做批量化扩展。
# 三.当前情况与后续计划
当前游戏W1核心系统已经接近开发尾声, 待补充上粒子效果与敌人的美术资产即可进入W2阶段开发, 明日复用工作流实现敌人的批量配置后, 这部分应该明天可以完成进入W2的周边系统开发阶段