收益：
- 能够理解算法 PCG 和生成人工智能 PCG 之间的差异，并使用混合方法（人工智能高级设计、算法具体化）生成内容。
- 能够通过提供生产的基本约束列表来提供可玩性控制和多样性
- 能够管理程序化生产中的质量风险，例如重复感、无意义的填充和可再现性记录
游戏对内容的胃口是无法满足的：玩家玩过一个关卡并完成它，但你却要花几天时间来制作它。程序内容生成（PCG） 它是内容（地图、关卡、敌人布置、物品、任务，甚至故事部分）的自动或半自动生成，不是手动一一生成，而是使用规则和算法。经典 PCG 是算法（噪声函数、波函数崩溃、房间走廊生成器）。 AI 为 PCG 添加了一个新层：生成有意义的上下文内容 — 任务、位置描述、敌人组合以及适合主题和设计的关卡蓝图，而不仅仅是随机的。
在本单元中，您将学习如何在 PCG 中使用 AI；您将学习如何将算法 PCG 与 AI 相结合、如何使生成的内容可审核和可再现（确定性）以及质量控制。
两个 PCG 世界：算法世界和生成世界
让我们澄清一下区别。算法 PCG 是规范的且可重复的，具体取决于种子（决定产量的起始数字）；相同的种子产生相同的地图。快速、廉价、可预测；但它可能是“没有灵魂的”。借助生成式 AI，PCG 可以理解背景和主题；它满足了诸如“冰洞主题、陷阱密集、三室地牢草图”等有意义的要求。但AI输出并不能直接重现，不保证可玩性。最强大的方法是混合：人工智能生成高级设计和主题（任务文本、房间目标、敌人主题），算法将该设计注入可玩的几何形状和平衡中。
混合流程逐步：
- 定义生产规则和约束（主题、难度、规模、必备条件）。
- 从 AI 中获取高级大纲（房间目标、流程、主题、任务逻辑）。
- 使用算法/引擎实例化（几何、布局、平衡）。
- 验证可玩性（是否有出口、是否可解、是否没有堵塞）。
- 种子和记录（哪个输入产生哪个输出——再现性）。
提示：始终给AI一份“约束”清单：“每个关卡都必须有出口”、“至少一个安全房间”、“一开始就没有敌人”。不受约束的 PCG 会产生无法解决或不公平的水平。
任务和叙事制作
PCG 最高效的人工智能领域是任务和叙事生成。 AI可以为任务骨架（走、寻找、取回、保护）赋予主题和性格；可以为支线任务产生变化；可以为地点写描述。但陷阱是：人工智能往往会产生单调的“收集任务”。要求多样化的任务和有意义的选择；要求每个任务向玩家提出一个决定。
注意：程序任务中最大的风险是重复和无意义填充的感觉。 AI可能会产生100个任务，但100个也可能是“杀死10只狼”。质量取决于多样性和背景，而不是数量；将每一批生产的产品都经过人工管理。
控制和再现性
在专业PCG中，检验与生产同样重要。建立一个控制层，验证所制作的内容是否可玩、公平且切合主题。此外，确定性地管理生产：记录哪个输入（种子、提示、参数）给出哪个输出，以便在出现问题时可以重现它。不要将 AI 输出直接导入游戏，而是要对其进行批准和修正阶段。
扩展控制的一个强大方法是设置自动可玩性检查：验证器脚本在投入使用之前扫描每个生成的级别 - 出口是否可到达，开始时是否有敌人需要杀死，所需的密钥是否可访问。你也可以用AI来起草这个脚本的逻辑；但是，在未使用引擎中的真实作品进行测试之前，请勿相信该脚本。人工管理和自动化控制相辅相成：机器大规模地回答“它是否可玩”的问题，人类则小规模地回答“它有趣且有意义吗”的问题。
PCG与玩家体验的平衡
PCG 的一大危险是过多的多样性会导致非同一性。如果一切都是随机发生的，玩家将无法抓住任何东西；还需要熟悉并能掌握的模式。好的 PCG 在多样性和易学性之间取得了平衡：机制应该是熟悉的，布局应该是新鲜的。在拥有人工智能技术时明确寻求这种平衡——比如“保持机制词汇不变，但让每个级别以不同的节奏结合这些机制。”这样，玩家就会看到新的东西并且不会失去控制。
三个迷你箱子
案例 1 — 混合方法获胜。在一款地下城爬行游戏中，团队为 AI 提供了房间目标和主题，为算法提供了几何形状。制作了 200 种地牢变体；每个都可以玩，但主题不同。与纯算法版本相比，玩家的“每个副本感觉不同”得分显着提高。
案例 2 — 无限制生产的成本。一家工作室让AI无限制生成50关草稿；测试时，9 个没有出口，6 个包含最初杀死玩家的敌人位置。添加“必备”约束列表后，缺陷级别率从 30% 下降到 2%。
案例3——策展再次打破了这种感觉。在开放世界游戏中，AI生成了300个支线任务；在其原始形式中，70% 是“收集并带来”的。为了满足多样性的要求，设计师复制并策划了每项任务，以包括一个决定/困境；在玩家反馈中，对“支线任务很无聊”的抱怨减少到了三分之一。
四个可复制模板
1）有限关卡概要：
您的角色：关卡设计师。主题：[例如废弃的空间站]。难度：中等。面积：5 间客房。必须具备：一个出口，至少一个安全房间，起始房间没有敌人，应该是可以解决的。 任务：逐个房间给出关卡大纲；它向玩家呈现每个房间的目的、主题、威胁和决定。
2）各种任务生成：
为以下游戏生成 10 个支线任务：[类型/主题]。约束：没有一个必须是“收集并获取”；每个任务都会给玩家带来选择或困境。对于每个任务：标题、一句话摘要、玩家的决定、奖励。写下任何重复的短语。
3) 游戏清单：
检查下面生成的关卡轮廓：[粘贴轮廓]。检查：（1）是否有可实现的退出，（2）是否可以解决，（3）是否有不公平/致命的开始，（4）是否偏离主题。列出问题并提出纠正建议。
4) 再现性记录：
为以下生产创建记录模板：使用的种子、提示、参数、输出摘要和审批状态。目的：出现问题时能够重现相同的内容。
弱提示/强提示
弱提示：
为我生成一个随机地牢。
没有限制或主题；输出将无法播放或通用。
强力提示：
你的角色：地下城设计师。主题：被淹没的寺庙。7个房间，难度增加。必须具备：每个房间都有某种类型的机制（交替陷阱、谜题、战斗、探索）、单个秘密房间、倒数第二个房间的休息点、可解决的。输出：逐个房间的表（目标、主题、威胁、奖励）。最后，单独列出可玩性风险。
主题、约束、机械节奏和风险需求使产出为生产做好准备。
算法与 AI PCG 表
尺寸
算法PCG
PCG 与人工智能
混合动力
再现性
高（种子）
低
中等
意义/主题
弱
强
强
可玩性有保证
可编辑
无
可编辑
速度
非常快
快
中等
最佳使用
几何、平衡
任务、主题、文本
生产线
常见错误
- 不受限制地生产。未解决的、不公平的内容出现。
- 流畅的AI输出，无人监管。可玩性验证是必须的。
- 不想要多样性。人工智能往往会产生单调的“接机”。
- 不记录再现性。如果出现问题，您无法恢复内容。
- 混淆数量与质量。 300 个普通任务比 30 个好任务还差。
综上所述
PCG含量满足食欲；人工智能为其增添了意义和主题。最强大的方式是混合：人工智能产生高级设计，算法产生可玩的实例化。没有约束列表、可玩性检查、多样性需求和再现性记录，PCG 很快就会产生垃圾。押注于受控的品种，而不是数字。
应用任务
选择一个主题（例如冰洞）。使用“受限关卡大纲”模板生成 5 个房间的关卡，然后使用“可玩性清单”模板生成相同的输出。修复发现的任何问题并生成最终草案。
清单
- [ ] 我给了生产一个“必须具备”的约束列表。
- [ ] 我把高层设计留给了AI，具体化交给了算法。
- [ ] 我已经审查了每个制作内容的可玩性。
- [ ] 我要求宣教的多样性和有意义的选择。
- [ ] 我保存了种子/提示/参数以实现可重复性。