客户端团队用 AI 做直播间桌球,状态同步和渲染怎么落地

项目要交付,AI 也想跟上?

在「花椒技术部」,看一线团队怎样用 AI 写代码、做 Agent、推进真实项目。技术群还会分享精选 AI 日报,也欢迎带着工具选型和工程实现中的问题来交流。

关注公众号「花椒技术部」,回复「技术群」获取入群入口。

我们把桌球接进花椒直播间时,遇到过一个很具体的问题。服务端已经算好一杆球的轨迹,客户端也收到了,白球在画面里还是会突然跳一下。

轨迹没有丢。它到达时,客户端可能已经错过安排好的播放起点;渲染中间停了一下,再按当前时间采样,画面又跳过了一段。球位算得对,玩家看到的过程仍然可能不连续。

这是终端团队借助 AI 开发这款游戏时,需要自己理解和决定的事情之一。AI 帮我们做出了可玩原型,也参与了服务端开发和画面制作。要让同一房间里的玩家、观众看完同一杆球,还得把业务状态、播放进度和回合切换分别处理。

先看一段实际对局,了解它在直播间里的样子。

击球演示,10 秒,展示瞄准、开球与球体滚动。

1. 原型能玩之后,把验证变成可重复执行的检查

此前我们主要做终端开发。外接游戏按活跃数计费,玩法调整又受对方排期限制。AI 让代码和素材的实现有了新的办法,我们才开始尝试自己做一款游戏。

桌球原型出来得很快。球桌布局、拖动球杆、碰撞和回合轮转,AI 给出的第一版结构基本能跑通。我们没有在 prompt 里逐条抄写桌球规则,先让它把一局跑起来,再看实际行为。

接下来就要判断它做得对不对。一杆球有没有进袋,比分怎样变化,白球落袋有没有按规则处理,都得实际执行。只靠人工反复试玩,检查速度和复现都受限制。

我们先给 AI 接上操作手机的手段。它能装包、截图,也能点击并读取界面,随后就可以启动游戏、击球、观察结果。人先定验收条件,AI 执行操作,再把结果拿回来对照。

图 1|没有通过的行为继续修改,通过的检查保留,后续重复执行。

这次原型里,把规则描述得很细也不一定有更好的结果。过度约束之后,还需要纠正模型对字面要求的实现。我们更愿意把力气放在验收条件上,把进球、犯规和回合变化落实到可观察的结果。

这段经验适用于本次已有成熟玩法的原型开发。直播间自己的开局条件、状态恢复和清理规则,仍然要由我们明确,后面也要持续维护。

2. 白球为什么会跳,先分清裁定结果与播放进度

我们原先熟悉的服务端开发,主要是请求进来、处理后返回。这次还要维持长连接,持续向同一房间里的玩家和观众推送状态。

AI 能解释保活、重连和消息顺序,也能给出代码。接到实际房间里,我们需要进一步判断各端正在处理哪一杆球,以及什么时候才能进入下一回合。

白球跳跃时,服务端已经生成并发出了轨迹。往客户端的播放过程查,发现了两条路径。

发生的位置

当时的处理

画面为什么不连续

轨迹到达客户端

按服务端安排的播放起点计算当前进度

轨迹到达较晚时,起点已经过去,前面一段没有连续展示

渲染出现间隔之后

直接采样新的当前进度

画面从之前的位置跳到更靠后的轨迹位置

我们的处理原则是,球位、犯规和胜负由服务端裁定,客户端的展示时间允许落后。 结果一致与画面连续分别有各自的处理方式。

击球端先在本地计算并展示。服务端轨迹到达以后,客户端按相同进度做校准,继续展示这一杆。观众端拿到轨迹后连续播放,不必为了追赶服务端时间,把已经过去的画面直接跳掉。

回合状态也要配合播放处理。下一回合的状态可能已经到了,当前这一杆还没有展示完,不能让新状态把正在播放的轨迹截断。后续状态按次序处理,等这一杆展示结束,再切换。

图 2|服务端决定结果,击球端和观众端分别保持画面连续;后续状态等待当前展示完成。

沿着这次排查,遇到类似跳跃现象时,可以按下面的顺序看。

  1. 确认服务端是否生成并发送了这一杆的轨迹,再确认客户端有没有收到。
  2. 对照轨迹到达时刻与预定播放起点,判断是否一开始就跳过了一段。
  3. 检查渲染间隔之后的进度采样,看画面是否直接追到了新的位置。
  4. 继续检查回合切换,确认后续状态有没有提前终止当前播放。

这套处理还要做体验取舍。展示落后多少、会占用多少瞄准时间,以及弱网下的表现,都需要我们结合实际玩法判断。AI 给出的几种方案,可以作为比较对象,最终选择仍由团队负责。

3. 代码读到哪一层,由后续要做的决定来划分

AI 生成代码的速度,比我们逐行理解的速度快。进入不熟悉的游戏领域后,尤其容易出现这种情况。测试能跑过,但要改一个行为时,还说不清它为什么这样工作。

我们把碰撞计算和产品状态分开看。

碰撞是成熟问题,对错有明确的判断方式。功能与性能经过验证,覆盖到当前使用要求之后,我们把它封装起来使用,没有继续逐行阅读,也没有计划改动它的实现。

开局条件、回合推进、断线返回后的状态,以及一局结束后的清理,则是另一种工作。这些行为属于产品语义,后面还会随着玩法继续调整。测试是否符合预期,首先取决于我们有没有把预期定对。

图 3|结合后续改动、出错后果和可验证程度,决定哪些实现可以封装,哪些行为必须理解。

判断时,我们会看这段代码以后是否还要改,再追问出错的后果,以及有没有明确的答案可以用来验证。下一回合什么时候开始,不能只因为 AI 生成了一套能运行的状态变化,就默认它符合产品需要。

4. 用 Sprite 和片元着色器,把画面要求落到实现

画面是另一块陌生工作。团队没有做过视觉设计,直接让 AI 自由出图,很难判断哪一版应该留下来。

我们先找已经上线的同类玩法,通过截图和录屏对照球桌比例、材质与滚动效果。接着定下共同的光照方向,让后续素材遵循同一个基准。

光从左上方照过来。 球的高光、受光边缘和下半球暗面,以及袋口一明一暗的弧,都沿着这个方向处理。

图 4|球桌的亮区、暗角和库边受光保持同一方向。

球体没有使用 3D 模型,也没有使用球体贴图。我们用一个 Sprite 加一段片元着色器,计算底色、号码区、高光和阴影。

这时就可以把"有质感"拆成能执行的要求。球心到边缘做圆形过渡,右下方增加接触阴影;高光分成宽而弱、窄而亮的两层,让球缩到十几像素时仍保留漆面感觉。

图 5|球体渲染效果,底色、号码区和光影由着色器计算。

桌布和开始画面则让 AI 一次提供几版,我们选定方向后再局部修改。桌布保留造型,调整材质与外框颜色;开始画面的徽章删掉横幅和多余标题。

图 6|开始画面的美术素材,与球体的实时渲染分开处理。

修改后的整图先烘焙好,只在尺寸变化时重画。球桌的视觉尺寸还要服从碰撞区域,避免画面上的球袋位置与实际碰撞位置对不上。球体上的号码也得看得出在转,才不会像一个色块沿着桌面平移。

5. 接进宿主 App,先把身份和部署的分工交代清楚

开发时,AI 同时看到了宿主 App 和游戏两边的代码。它能沿着完整调用过程修改,也容易把原本属于不同模块的事情直接连在一起。

第一版中,游戏服务端直接依赖业务后台处理身份和房间资格。链路能跑,功能测试也通过了,但换一个应用接入,或者业务侧调整身份处理,游戏侧就要跟着改。

后来我们把这部分职责留在宿主业务和平台侧。游戏业务层拿到身份与房间信息,不持有宿主凭证。 这样,玩法逻辑可以围绕游戏本身继续开发。

部署时也发生过类似的扩张。AI 根据当时的流水线限制,额外补了部署互斥、活动局排空、旧实例退出和复验等步骤,形成一套需要自己维护的发布逻辑。

其中,部署并发在我们已有流程里有明确负责人。测试环境自动发布,生产环境由人操作,同一环境只运行一轮,由维护者保证。我们随后接回公司已有的部署模板,精简了自建发布脚本。

图 7|按本项目既有分工调整身份处理与部署职责。图中展示方案变化,具体发布保障仍要按各自环境核对。

这次重复建设的原因很具体。AI 看到了代码和流水线限制,却没有看到身份归谁管理、发布并发由谁保证这些约定。给它开发任务时,我们还需要说明已有流程,以及哪些工作已经由其他模块或维护者承担。

6. 上线之后,哪些结果可以确认

这款桌球已经接入花椒派对房,上线首周没有做专门推广。我们记录了几项使用结果。

观察项

首周结果

阅读口径

玩法开启排名

进入前三

派对房内的玩法开启排名

房间完成对局的情况

超过八成

已开启桌球的房间中,完整打完过一局的房间占比

房间使用情况

三成以上的房间开过游戏

房间范围与具体分母未在本文展开

以上是上线首周的房间使用结果,样本量、具体日期区间与排名的计算细节未在本文展开。它们不能用来推算玩家留存,房间完成情况也不能写成所有对局的完成率。

成本结构也发生了变化。外部按活跃数收费,变成我们自己承担服务器和研发;运营调整玩法,可以按自己的开发安排推进。这能说明付费方式和迭代节奏发生变化,暂时没有总成本对比支撑具体节省比例。

如果也准备借助 AI 进入一个陌生开发领域,我们会优先把下面几项检查放进交付过程。

  • 原型阶段就准备实际操作与结果读取手段,让验收可以重复执行。
  • 多端同步分别检查权威结果、播放进度和后续状态切换。
  • 对还要继续修改的产品行为,先读懂它的状态变化,再接受 AI 的实现。
  • 美术要求落实到尺寸、光照和渲染方式,确认视觉与物理约束一致。
  • 开始接入前交代宿主与游戏的分工,同时写清已有发布流程由谁负责。

终端团队这次把工作范围扩到了游戏开发、视觉和服务端。AI 加快了实现,我们仍要能解释一杆球为什么这样播放,以及游戏接入以后该由谁维护。后续调整玩法时,这些理解会直接影响我们能不能继续把它改好。

你让 AI 开发陌生项目时,最容易卡在哪一步?

代码能运行,却不确定状态处理是否正确;几个客户端收到相同结果,画面仍然对不上。欢迎带着具体场景来交流,也分享你怎样验证 AI 写出的代码。

关注公众号 「花椒技术部」 ,回复 「技术群」 获取入群入口。

相关推荐
阿里云云原生23 分钟前
我们用 AI 给 AgentLoop 手搓了一套海底世界探秘游戏,并开源了
云原生·agent
qinglongcn1 小时前
上下文压缩的六种武器——从工具结果去重到认知交班
agent·ai编程
Cosolar1 小时前
从 Model 到 System:AI Agent Infra 工程师的技术全景与学习路径
langchain·aigc·agent
德育处主任1 小时前
让 Claude Code 在你睡觉时接着干活:tmux、权限策略与验收清单
git·ai编程·命令行
武子康2 小时前
H3-World 动作控制怎么测:从左右对照到片内切换
人工智能·agent·claude
威哥爱编程3 小时前
模拟面试智能体开发实战 12:每篇都能跑不等于接起来能跑,端到端联调收官把十一块拼图合成一个能用的智能体
python·agent·harmonyos
威哥爱编程3 小时前
模拟面试智能体开发实战 11:报告只躺在后端怎么复盘,把总评搬上手机还要适配大小屏
python·agent·harmonyos
一条大祥脚4 小时前
Agent Memory 全解析:从 SQLite、向量库 + RAG 到 Zep、Mem0
sqlite·agent·rag·智能体记忆