从0搭建自己的桌游设计AI团队

项目代码链接：CJH0220/Table_Game_Team_Agents

制作动机

我是深圳大学人工智能学院的研究生，兴趣爱好就是从事游戏相关的工作。曾经通过印卡姬和即梦平台自制一款角色扮演大富翁桌游，但是由于团队的凝聚力和美术/运营成本被迫难产，只完成了基本设计和简单的DEMO。不过，通过这次经历，我明白了一个主策划应该如何处理团队协作工作，如何安排“生产力”。

作为桌游玩家和策划，总会有一些灵光一闪的想法，比如在大富翁增加角色机制，在三国杀加入购买装备环节，在卡坦岛添加资源卡类型等奇思妙想。但由于设计，美工，测试等环节需要巨大的人力财力，导致初创团队或学生党放弃这些ideas，十分可惜。但现在有一个最新的工具可以降低这些成本，真正做到“0”成本追梦，那就是现在的Agents。

随着Agents的爆火，Agents团队减少了公司人力成本，极大降低了创作门槛。而我自己也具备深度学习，LLM等基础，相信自己能够跟紧潮流，实现项目。我觉得通过Agents智能体协作，去模拟一个游戏设计团队大有可为，这也是这个项目的由来。

现在还可以通过代码智能体如Cursor等辅助编程，但作为科班出身的程序员，在使用辅助编程后也一定要掌握自己的项目内容，代码管理和函数类别调用关系之类的。

技术栈

通过Dify或者coze能够低代码实现智能体交互，但是由于GPT推荐我还是用代码实打实的把游戏机制规则写出来，而不是用LLM来判断规则边界。所以我决定自己搓代码，当然我主要是看完Hello-Agents 后根据他们上面的代码去模拟，也复用了他们优秀的代码。

前端

后端

其他

  • markdown: prompt工程常用语言，博客语言，也是大模型输出结果常见的展示格式。
  • re: 正则表达式，超级简便强大的字符串匹配。
  • JSON:存储和交换文本信息的语法JSON 教程 | 菜鸟教程

1 失败的前设计

下面的模块是被弃置的模块，我会讲解为什么最后放弃了用极多数的Agent搭建一个团队结构。我尝试过用规则工程师+机制工程师+数据管理Agent+代码手Agent 实现用代码逻辑实现游戏内容并确定Agent互相转发接口。

失败原因：

  • 第一：规则描述非常容易不准确。1：设计桌游时会隐藏一些机制（比如从哪抽牌，如何抽取（堆栈/random？），弃牌至哪里，何时洗牌）这些我们默认的细节会被遗忘。2：Agent在长时间序列时会产生轻微幻觉记错卡牌效果甚至数量。这在复杂的游戏中尤其明显。
  • 第二：部分Agent功能独立。美术策划/文案策划其实跟机制编写，游戏测试等关系不大。完全可以单独人工调用，编写一些简单的Html静态页面用于图片调试+豆包等图片生成Agent，即可自己搓卡牌图。而 规则工程师+机制工程师+数据管理Agent+代码手Agent 这一部分只需要交给我们伟大的Cursor大人就行了（滑稽脸）。
  • 第三：臃肿带来的效果衰竭。如果你试图用多模态图片+机制+文字给测试玩家，现在大模型并没有这么强就算有也得巨大的token开销，还得有更强的长记忆能力，图片分析等。哪怕是目前最强的大模型也不一定能够实现。毕竟完整的桌游机制其实文本量和逻辑能力的需求很强，博弈类游戏更需要对对方的预判，交流的捕捉小信息等。这些一股脑输入给大模型，虽然有固定的输出和逻辑链，但是太灾难了。期待后两年的模型提升吧。

1.1团队结构（弃置）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
                          用户
                            │
                       主策划 Agent
                            │（任务分类）
        ┌───────────────────┼───────────────────┐──────────────┐     
        │                   │                   │              │
   规则工程师 Agent     机制设计师Agent      文案策划 Agent    美术策划 Agent
        │                   │
        └──────────── 游戏数据管理Agent 
                            │
                        AI裁判 Agent
                       /游戏引擎/代码逻辑
                            │
  ┌─────────────────────────┼──────────────────────┐
  │                         │                      │
测试玩家 Agents             数值平衡分析 Agent      游戏日志
(2~4个)                     │                      │
  │                         │                      │
  └─────────────── 玩家体验分析 Agent ───────────────┘
                            │
                        主策划

1.2 总体流程（弃置）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
用户提出游戏想法
        ↓
主策划制定设计方向
        ↓
    机制设计
        ↓
规则工程师生成Rule DSL
        ↓
数据管理Agent存储
        ↓
Game Engine运行游戏
        ↓
测试玩家模拟游戏
        ↓
数值平衡分析
        ↓
玩家体验分析
        ↓
主策划决定版本迭代

2 后续真设计

2.1 团队结构/总体流程

详细代码介绍请查看项目中doc文件夹内。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
                          用户
                           │
                 ┌─────────┴─────────┐
                 │                   │
            前端 UI              前端 UI
         (EditorView)        (PlaytestView)
                 │                   │
                 └─────────┬─────────┘
                           │
                    FastAPI 后端 API
                 (/task, /logs, /playtest/*)
                           │
           ┌───────────────┴────────────────┐
           │                                │
   策划工作台流程                      揭幕战测试流程
   (/task, /logs)                     (/playtest/*)
           │                                │
   主策划 Agent (ChiefDesigner)      揭幕战对局编排器
           │                          run_playtest(...)
   ┌───────┼────────┬────────┐            │
   │       │        │        │            │
文案策划  机制设计  美术策划  日志服务   两名测试玩家 Agents
 Agent     Agent     Agent   RunLog     (PlaytestAgents)
(Narrative)(Mechanics)(Act)  Service        │
   │                   │                    │
   │                   └─ 调用豆包文生图      │
   │                       (DoubaoImage)   │
   │                                       │
   └─ 返回文本/图片结果给前端 ◀───────────┐   │
                                       │  │
                           程序裁判 Referee + 游戏引擎 Engine
                                         │
                          玩家体验分析 Agent (ExperienceAnalyst)
                                         │
                                     游戏测试日志
                          (backend/logs/*.json, playtest_*.json)
                                         │
                                    前端历史回放视图
                              (Editor 日志查看 / Playtest 回放)

2.2 游戏规则

规则说明书：揭幕战（简单版）

一、基本信息

人数：2 人对战。每名玩家起始 5 点血量，先把对手血量打到 0 的一方获胜。

二、兵马牌与克制关系（必记）

  • 类型：骑兵、弓兵、枪兵。等级：1 / 2 / 3 级，同类型时数字越大越强。

  • 弓兵牌克制关系（易混，请细看）：

    • 骑兵 克 弓兵：骑兵打弓兵时，骑兵赢，弓兵方掉 1 血。

  • 弓兵 克 枪兵：弓兵打枪兵时，弓兵赢，枪兵方掉 1 血。

    • 枪兵 克 骑兵：枪兵打骑兵时，枪兵赢，骑兵方掉 1 血。

    口诀：骑克弓、弓克枪、枪克骑。

  • 同类型对决只比等级，如骑兵3 > 骑兵2 > 骑兵1。

三、平局与血量变化（明确数值）

  • 平局：双方出的牌类型与等级完全相同（如骑兵1 vs 骑兵1）时，本回合判定为平局。
  • 平局时双方血量变化均为 0（你 -0，对手 -0），无任何人掉血。
  • 非平局：败方本回合血量 -1，胜方血量不变；结算后会显示当前双方血量。

四、手牌与出战牌展示

  • 每回合抽到的 2 张牌都会加入你的手牌；你从中选 1 张「展示」给对手看，展示仅公开信息，不弃牌。
  • 手牌列表以编号 1、2、3… 显示，决策时只能从该列表中选择；出战牌即你本回合打出的那一张，结算后进入弃牌堆。

五、牌库与弃牌堆

  • 总计 60 张：三种兵种各 20 张（1 级 10 张、2 级 5 张、3 级 5 张）。手牌上限 5 张。
  • 用过的出战牌进入弃牌堆；牌库抽空时，弃牌堆洗匀后作为新牌库，保证对局流畅。

六、回合流程（从你的视角）

  1. 抽 2 张 → 2 张都进手牌。
  2. 从这 2 张中选 1 张展示给对手（2 张仍都在你手牌中）。
  3. 若手牌 > 5 张，从手牌中弃 1 张至弃牌堆，直至手牌 ≤ 5 张。
  4. 从手牌选 1 张出战，与对手本回合出战牌结算（胜/负/平，血量变化见上）。
  5. 本回合用过的出战牌进入弃牌堆。

七、牌组分析与策略（降低学习成本）

  • 决策时系统会提供：我方血量、对手血量、当前手牌列表、对手本回合展示的牌、对手本局已出过的牌。
  • 建议先看清「手上具体有哪些牌」和「对手展示/出过什么」，再结合骑克弓、弓克枪、枪克骑判断哪张胜率更高，最后做出选择。

八、游戏结束

当任意一方血量降至 0 时游戏结束，另一方获胜；获胜者可发表简短感言。

九、测试玩家与体验说明

  • 两名测试玩家由系统分配不同 persona，决策时会结合上述信息进行思考。
  • 左侧流式日志中会展示每位玩家的思考内容（手牌、对手情况、胜率判断等），便于观察对局与规则理解。

该规则通过不断地和机制设计师和文案设计师调整。

3 结果展示

环境准备

后端（Python）

建议使用虚拟环境（Conda/venv 均可）。依赖在 backend/requirements.txt。

前端（Node.js）

需要 Node.js（建议 18+ 或 20+）与 npm。

如何运行（从导包到打开前端界面）

下面以 Windows PowerShell 为例。

1) 配置后端 .env

后端会从 backend/app/.env 读取 LLM/文生图配置（由 backend/app/config.py 加载）。

  • 路径：backend/app/.env
  • 说明：你已经在项目里维护该文件；如果要换模型/Key，改这里即可

2) 启动后端（FastAPI）

在项目根目录执行：

1
2
3
cd "e:\llm\hello_agents\Table_game_team_easy\backend"
python -m pip install -r requirements.txt
python -m uvicorn main:app --host 0.0.0.0 --port 8000 --reload

启动后可验证：

  • GET http://localhost:8000/ 应返回 {"message":"Boardgame AI Agent Running"}

3) 启动前端（Vite）

新开一个 PowerShell：

1
2
3
cd "e:\llm\hello_agents\Table_game_team_easy\frontend"
npm install
npm run dev

Vite 启动后，终端会输出一个本地地址（通常是 http://localhost:5173）。用浏览器打开它即可进入前端界面。

运行结果

前端主页面

image.png

右上角有游戏测试和策划工作台按钮，根据输入需求，主策划Agent会分配工作至不同Agent以实现你的需求。

尽量先把需求在前面提出，如上述示例一般描述。因为我启用了强相关判断，在文本前端识别绘画->硬性调用文生图。这样可以减少大模型的调用频率。

美术策划生成图片

image.png

需要更好看更准确的图片，需要反复跟大模型打磨提示词，可以用常见的大模型如豆包，ChatGPT等。

机制设计师提供建议

image.png

在设置Agent时我尽可能让机制设计师回复详细内容，可以斟酌使用。

文案优化

image.png

异常情况

image.png

回复无关内容默认无法处理。

测试游戏情况

可以看到游戏的每个回合Agent的想法和执行操作。

image.png

image.png

image.png

最后会输出各自的体验报告，并由体验分析师总结。