2026.5.28-日报-王雨默

用户2965

5月29日修改

一.工作内容概述

•
优化棋盘交互体验、优化提示系统逻辑​

•
修复广告按钮可以快速点击、重复发送广告请求的问题​

•
尝试使用 AI 调用现有关卡生成器 API，初步验证 AI 是否能够自动调用项目工具，并按照预设目标控制关卡难度曲线​

•
收集《佛系消消消》部分关卡数据，尝试使用 AI 对其进行结构化整理与分析，初步验证 AI 辅助分析外部关卡设计的可行性​

二.AI生成关卡尝试

尝试使用 AI 调用现有的关卡生成器 API，进行自动生成关卡的初步测试。本次测试的重点并不是单纯追求最终生成多少可用关卡，而是验证 AI 是否能够理解并调用项目中已有的工具链，包括生成器参数配置、批量生成、结果校验、状态流转和资源导出等流程。​

测试中，初步以 50 关为目标进行生成尝试，并按照预设的难度曲线进行规划。整体设计思路是每 5 关作为一个小波次，通过“逐步爬坡 + 阶段卡点”的方式，让关卡难度在前期逐步上升，同时在固定节点提供一定挑战。通过这种方式，可以初步验证 AI 是否能够不只是机械调用生成接口，而是根据关卡节奏目标组织生成参数，并尝试控制整体难度变化。​

common.docs_name - LarkCCM_Docs_Menu_Image

在生成流程中，也尝试加入目标难度参数，用于约束目标关卡的逻辑复杂度。AI 根据不同关卡阶段传入对应的参数范围，生成器再基于该范围筛选候选关卡。这样可以让生成流程具备一定的难度控制能力，而不是完全依赖随机生成结果。​

本次测试中，AI 基本能够完成以下流程：

•
根据预设关卡数量和难度节奏组织生成任务；​

•
调用现有关卡生成器 API 批量生成关卡；​

•
根据生成结果进行基础校验和筛选；​

•
将生成出的关卡状态流转到可发布状态；​

•
导出到游戏运行时使用的关卡资源目录；​

•
清理运行时不需要的推导记录、推导画像等冗余字段，降低资源体积。​

不过在测试过程中也发现，当前流程距离稳定自动化生成仍有一定差距。主要问题包括：​

1.
即使让 AI 负责设置生成参数，高维棋盘关卡的生成成功率仍不稳定，需要花费较多时间重试。​

2.
回退的生成算法虽然能够提高生成成功率，但对难度范围的控制较弱，导致生成结果波动较大。​

3.
部分预设难度区间过窄，当前生成器命中率不高，导致部分关卡需要大量重试，甚至出现生成失败的情况。​

4.
当前难度曲线更多是基于设计目标设定，后续还需要结合生成器实际能力重新校准。​

因此，本次测试的阶段性结论是：AI 具备调用项目现有工具链、组织批量生成任务、辅助控制难度曲线的可行性，但生成质量和难度命中率仍然依赖底层生成器能力。AI 更适合承担“调度工具、组织参数、批量执行、汇总问题”的角色，而生成器本身仍需要继续优化高维棋盘的唯一解率和难度可控性。​

三.AI分析关卡尝试

尝试使用 AI 对《佛系消消消》的部分关卡数据进行分析。本次分析同样属于初步可行性验证，重点是观察 AI 是否能够根据截图或转录数据，对外部关卡进行结构化整理，并从中归纳出一定的关卡设计规律。由于本次主要是验证流程可行性，因此采集的关卡样本数量不大，分析结论也暂时只作为阶段性参考。​

本次共整理出 24 条关卡记录，其中普通关 22 条，每日挑战 2 条。每条记录主要包含模式、关卡编号、棋盘尺寸、区域划分、种子点信息和识别置信度等内容。通过这些结构化数据，可以让 AI 不只停留在“看图描述”的层面，而是进一步将外部关卡转化为可比较、可校验、可分析的数据样本。​

收集的关卡盘面截图

普通关卡样本集中在 76 到 100 关附近，并不是完整主线样本，而是偏后段的一组局部关卡。从尺寸分布来看，这批普通关主要以 6x6 为主，同时穿插少量 8x8 和 10x10 关卡。​

分析报告

2026.5.28-日报-王雨默​

2026.5.28-日报-王雨默