Evilom
15 KiB
KC8NdkY8zo5yspxjYqOcA6kenbh
Source: https://fcnlycv6dd0w.feishu.cn/docx/KC8NdkY8zo5yspxjYqOcA6kenbh
今日内容概述：
一. 像素特效生成测试
把 AI 像素美术工作流的验证范围扩展到特效模块 验证 AI 能否围绕同一风格，产出可拆帧、透明导出、初步进入工程测试的特效素材
- 想验证什么
- 能否保持当前的主题风格、能否稳定拆帧并透明导出
- 会不会触碰单元格边界、宽幅和长序列这类极端样本能否处理
- 覆盖投射物、命中爆发、施法环、宽幅斩击、地面符文
◾ 目前产出的特效，基本达到当前需要验证的初验标准 下一步需把特效装到实际的游戏场景中跑一遍，验比例、时序、遮挡、混合模式和像素质感 合成验证通过，才算真正可用
- 可视化验收看板：
二. 继续推进角色分层可行性测试
验证 AI 像素角色能否从“整张动画图生成”，推进到“可换装、可复用、可进入项目的分层动画 今日主要测试了三条路径
- 把已有完整角色动画拆成 body / cape / weapon 等层
- 让 AI 从一开始分别生成 body、披风、武器等独立层
- 在分层基础上加入 root 校正、手部 socket、武器偏移和前手遮挡规则 ** 目前能做到的部分**
- idle / walk 的分层演示
- 披风、背层武器在有限范围内替换
- 加入校正后，身体脚底锚点可以稳定，武器可贴近手部位置 仍然存在的问题
- 身体、手、腿、披风、武器每次生成都会有细微结构差异
- 武器贴近手部，不等于角色真的握住武器
- 披风不是简单背层，会涉及肩、头发、手臂和身体遮挡
- 动画换装比静态换装多了时间一致性、关节一致性和遮挡一致性问题
◾ 当前判断： 单角色完整序列帧仍然是当前更可行的方向 单角色的完整序列帧，后续继续优化工作流，产出的效果基本可达到生产使用的要求 但如果要做分层角色动画，通过逐帧偏移修复，无法达到理想的效果，整体的产出效率反而被降低 生成完整帧图 → 再拆层 / 对齐 / 修偏移”的路线，存在一定的模型能力边界
三. 经典像素游戏体验与调研
基于之前已体验的像素游戏，结合外部开发资料，对《死亡细胞》和《星露谷物语》进一步复盘 重点从它们的体验结构和资产生产方式出发，反推如果在 AI 主导的生产环境下重做类似项目 哪些环节可能被 AI 工作流重构，哪些环节仍然会成为关键卡点
1. 死亡细胞——Dead Cells
- 核心体验建立在高频战斗反馈上：
- 进入关卡 → 即时判断 → 获得能力 → 死亡重开 → 通过解锁和熟练度形成更强的下一轮
- 这套循环对美术和动画要求较高，玩家每次攻击、受击、死亡都需要在极短时间内获得明确反馈。
- 值得关注的是，它并非采用传统逐帧手绘，而是 3D 转 2D 的像素动画管线：
- 先绘制 2D 像素角色设定，建立低精度 3D 模型和骨骼
- 通过 3D 动画调整动作后，以低分辨率、无抗锯齿方式渲染成像素风序列帧
- 再结合 shader 和粒子特效补足表现 这套管线本质上是在有限资源下的工程取舍——用骨骼降低逐帧成本，用渲染工具输出像素结果
- 启发在于：Dead Cells 真正值得借鉴的不是 3D 管线本身，而是它背后的目标
- 降低动作返工成本、支持大量武器和怪物扩展、在小团队资源下维持高频战斗内容
- 之前传统开发的痛点是否可以被 AI + 自动化工具重新解决，比"要不要照搬 3D 管线"更值得验证
◾ - 动作表现类的问题在决定是"序列帧好还是 Spine 好"前，应先拆成几个小实验： - AI Native 的高动作表现核心是建立低成本返工和一致性控制能力 - 角色基准形象、动作生成、帧间检查、像素标准化、锚点校验和重生成之间能否形成闭环，比单次出图能力更重要
2. 星露谷物语——Stardew Valley
- 核心体验
- 规划当天行动 → 种植 / 采集 / 钓鱼 / 挖矿 / 社交 → 获得资源 → 扩建农场和关系网络
- 它不是某个单点资产复杂，而是大量小资产共同构成一个可持续运转的场景世界 这类资产包括：
- 作物不同生长阶段，地块、树木、矿石、水体
- 家具、建筑、装饰物
- NPC、动物、道具
- 背包物品和 UI 图标
- 开发分享中提到，坚持 16×16 tile 有助于控制大体量游戏的美术工作量，说明它的资产生产核心不是高复杂度，而是统一规格下的长期积累
- 从 mod 生态看，资产按文件、图集、地图、数据和 JSON组织，通过替换图片、编辑数据、修改地图扩展
◾ 对 AI Native 的启发指向也很明确： - AI 最先产生价值的不一定是复杂角色动作，而是大量小规格、模块化、可批量生成、可标准化检查的资产 - 但风险也随之放大——生成单个物件容易，让大量物件放进同一个世界不突兀需要更标准化的把控 - 缺乏统一规则时，色彩饱和度、光源方向、像素密度、边缘处理、透视角度、物件尺寸都容易失控 - 所以 AI 批量生成必须与资产标准绑定，否则资产越多，风格越容易崩。
◾ 阶段判断 对低动作复杂度、高资产数量的项目，AI Native 工作流的核心竞争力可能不是单次生成质量，而是资产库构建速度 如果能够把 AI 生成、像素规范化、自动质检和资产管理串起来，就有机会在内容扩展效率上形成比传统工作流更明显的优势
两类游戏类型的对比
维度 死亡细胞 星露谷物语 核心体验 高频战斗、动作反馈、死亡重开 日常循环、资源积累、长期扩展 资产压力 多动作、多武器、多怪物、多特效 大量作物、家具、道具、建筑、tile 传统成本 动作返工、动画一致性、手感调整 资产数量、风格统一、长期维护 AI 机会 动作草案、分层、补帧、质检、重生成 批量小资产、资产库、风格统一、标准化 主要风险 帧间抖动、身份漂移、动作不可编辑 风格失控、规格不统一、Fake Pixel 验证价值 验证 AI 工作流上限 验证 AI 落地效率
- 目前对 AI Native 像素项目的理解可以进一步收敛为：
- 不同像素游戏的差异，不只是玩法不同，资产生产结构也不同
- 高动作表现向，需要把控好是否能可编辑、可返工、可一致性控制
- 低动作复杂度下，需实现大量模块资产、统一规格、持续扩展的管理能力
◾ 经典像素游戏虽然多是在传统工作流下完成的，但暴露出的生产痛点仍然有参考价值 在 AI 主导的时代，真正需要重构的不是某一款游戏的美术风格，而是其背后的资产生产方式： 动作表现向要解决返工和一致性，养成经营向要解决批量资产标准化 今日内容概述：
一. 像素特效生成测试
把 AI 像素美术工作流的验证范围扩展到特效模块 验证 AI 能否围绕同一风格，产出可拆帧、透明导出、初步进入工程测试的特效素材
- 想验证什么
- 能否保持当前的主题风格、能否稳定拆帧并透明导出
- 会不会触碰单元格边界、宽幅和长序列这类极端样本能否处理
- 覆盖投射物、命中爆发、施法环、宽幅斩击、地面符文
◾ 目前产出的特效，基本达到当前需要验证的初验标准 下一步需把特效装到实际的游戏场景中跑一遍，验比例、时序、遮挡、混合模式和像素质感 合成验证通过，才算真正可用
- 可视化验收看板：
二. 继续推进角色分层可行性测试
验证 AI 像素角色能否从“整张动画图生成”，推进到“可换装、可复用、可进入项目的分层动画 今日主要测试了三条路径
- 把已有完整角色动画拆成 body / cape / weapon 等层
- 让 AI 从一开始分别生成 body、披风、武器等独立层
- 在分层基础上加入 root 校正、手部 socket、武器偏移和前手遮挡规则 ** 目前能做到的部分**
- idle / walk 的分层演示
- 披风、背层武器在有限范围内替换
- 加入校正后，身体脚底锚点可以稳定，武器可贴近手部位置 仍然存在的问题
- 身体、手、腿、披风、武器每次生成都会有细微结构差异
- 武器贴近手部，不等于角色真的握住武器
- 披风不是简单背层，会涉及肩、头发、手臂和身体遮挡
- 动画换装比静态换装多了时间一致性、关节一致性和遮挡一致性问题
◾ 当前判断： 单角色完整序列帧仍然是当前更可行的方向 单角色的完整序列帧，后续继续优化工作流，产出的效果基本可达到生产使用的要求 但如果要做分层角色动画，通过逐帧偏移修复，无法达到理想的效果，整体的产出效率反而被降低 生成完整帧图 → 再拆层 / 对齐 / 修偏移”的路线，存在一定的模型能力边界
三. 经典像素游戏体验与调研
基于之前已体验的像素游戏，结合外部开发资料，对《死亡细胞》和《星露谷物语》进一步复盘 重点从它们的体验结构和资产生产方式出发，反推如果在 AI 主导的生产环境下重做类似项目 哪些环节可能被 AI 工作流重构，哪些环节仍然会成为关键卡点
1. 死亡细胞——Dead Cells
- 核心体验建立在高频战斗反馈上：
- 进入关卡 → 即时判断 → 获得能力 → 死亡重开 → 通过解锁和熟练度形成更强的下一轮
- 这套循环对美术和动画要求较高，玩家每次攻击、受击、死亡都需要在极短时间内获得明确反馈。
- 值得关注的是，它并非采用传统逐帧手绘，而是 3D 转 2D 的像素动画管线：
- 先绘制 2D 像素角色设定，建立低精度 3D 模型和骨骼
- 通过 3D 动画调整动作后，以低分辨率、无抗锯齿方式渲染成像素风序列帧
- 再结合 shader 和粒子特效补足表现 这套管线本质上是在有限资源下的工程取舍——用骨骼降低逐帧成本，用渲染工具输出像素结果
- 启发在于：Dead Cells 真正值得借鉴的不是 3D 管线本身，而是它背后的目标
- 降低动作返工成本、支持大量武器和怪物扩展、在小团队资源下维持高频战斗内容
- 之前传统开发的痛点是否可以被 AI + 自动化工具重新解决，比"要不要照搬 3D 管线"更值得验证
◾
- 动作表现类的问题在决定是"序列帧好还是 Spine 好"前，应先拆成几个小实验：
- AI Native 的高动作表现核心是建立低成本返工和一致性控制能力
- 角色基准形象、动作生成、帧间检查、像素标准化、锚点校验和重生成之间能否形成闭环，比单次出图能力更重要
2. 星露谷物语——Stardew Valley
- 核心体验
- 规划当天行动 → 种植 / 采集 / 钓鱼 / 挖矿 / 社交 → 获得资源 → 扩建农场和关系网络
- 它不是某个单点资产复杂，而是大量小资产共同构成一个可持续运转的场景世界 这类资产包括：
- 作物不同生长阶段，地块、树木、矿石、水体
- 家具、建筑、装饰物
- NPC、动物、道具
- 背包物品和 UI 图标
- 开发分享中提到，坚持 16×16 tile 有助于控制大体量游戏的美术工作量，说明它的资产生产核心不是高复杂度，而是统一规格下的长期积累
- 从 mod 生态看，资产按文件、图集、地图、数据和 JSON组织，通过替换图片、编辑数据、修改地图扩展
◾ 对 AI Native 的启发指向也很明确：
- AI 最先产生价值的不一定是复杂角色动作，而是大量小规格、模块化、可批量生成、可标准化检查的资产
- 但风险也随之放大——生成单个物件容易，让大量物件放进同一个世界不突兀需要更标准化的把控
- 缺乏统一规则时，色彩饱和度、光源方向、像素密度、边缘处理、透视角度、物件尺寸都容易失控
- 所以 AI 批量生成必须与资产标准绑定，否则资产越多，风格越容易崩。
◾ 阶段判断 对低动作复杂度、高资产数量的项目，AI Native 工作流的核心竞争力可能不是单次生成质量，而是资产库构建速度 如果能够把 AI 生成、像素规范化、自动质检和资产管理串起来，就有机会在内容扩展效率上形成比传统工作流更明显的优势
两类游戏类型的对比
维度 死亡细胞 星露谷物语 核心体验 高频战斗、动作反馈、死亡重开 日常循环、资源积累、长期扩展 资产压力 多动作、多武器、多怪物、多特效 大量作物、家具、道具、建筑、tile 传统成本 动作返工、动画一致性、手感调整 资产数量、风格统一、长期维护 AI 机会 动作草案、分层、补帧、质检、重生成 批量小资产、资产库、风格统一、标准化 主要风险 帧间抖动、身份漂移、动作不可编辑 风格失控、规格不统一、Fake Pixel 验证价值 验证 AI 工作流上限 验证 AI 落地效率
- 目前对 AI Native 像素项目的理解可以进一步收敛为：
- 不同像素游戏的差异，不只是玩法不同，资产生产结构也不同
- 高动作表现向，需要把控好是否能可编辑、可返工、可一致性控制
- 低动作复杂度下，需实现大量模块资产、统一规格、持续扩展的管理能力
◾ 经典像素游戏虽然多是在传统工作流下完成的，但暴露出的生产痛点仍然有参考价值 在 AI 主导的时代，真正需要重构的不是某一款游戏的美术风格，而是其背后的资产生产方式： 动作表现向要解决返工和一致性，养成经营向要解决批量资产标准化