Tesana AI 实测：循环模式让 AI 智能体自己造游戏

把当前最好的 AI 模型打包进一个智能体编排器，让它围绕 Godot 引擎循环工作——自己写代码、生成美术资源、审查修复，直到游戏做完为止。这就是一位 B 站 UP 主对 Tesana AI 的实测思路。这篇文章基于其完整体验，拆解这套工具的真实能力边界，以及 AI 造游戏当下能走多远。

Tesana 到底是什么：一个围绕 Godot 的智能体编排器

Tesana 并非又一个封闭的黑箱式 AI 生成器，这是 UP 主反复强调的关键点。它本质上是一个智能体编排器（agent orchestrator），内部整合了 Claude、GPT 以及 Kimi K3 等多个模型，并像 Claude Code 那样具备多层技能调度能力，可以同时调用多个子智能体协同工作。

真正让它区别于本地自建方案的，是把游戏开发所需的各类 API 集中在一处并无缝打通：图像生成、3D 资产生成、2D/3D 动画库、VFX 特效库等等。UP 主展示的一个项目里生成了海量美术资源，这些对使用者而言全程透明——智能体自己知道去调用哪个能力。

最上面那一层动画库尤其关键。它不只是素材堆砌，而是「被描述过的库」（described libraries），智能体知道如何组合这些动画，因此最终成品的观感明显更好，VFX 特效也相当出彩。

它建立在 Godot 引擎之上，这意味着产物不被平台锁死：你可以导出成 App，也可以直接拿源码到本地继续开发。UP 主直言「如果没有这个特性，这期视频根本做不成，我讨厌黑箱」。

Godot 是一款开源、跨平台的游戏引擎，采用 MIT 协议授权，这意味着任何人都可以免费使用，甚至将其用于商业项目而无需支付版权费。与 Unity 或 Unreal Engine 不同，Godot 的源代码完全公开，社区可以自由审计和修改。它使用自研的 GDScript 脚本语言（语法接近 Python），同时也支持 C# 和 C++。Godot 的场景系统以节点树为核心组织结构，非常适合 AI 生成代码时进行模块化拼装。Tesana 选择 Godot 作为底层引擎，除了避免黑箱锁定之外，Godot 轻量级的架构也更易于 AI 智能体进行程序化操作：相比需要复杂编辑器交互的商业引擎，Godot 项目文件结构简洁，更容易被脚本自动生成和修改。

核心亮点：循环模式（Loop Mode）

这次实测的主角是新推出的循环模式。玩法很直接：给智能体一笔额度预算，它就开始自主循环——创建内容、自我审查、修复 Bug、再检查，如此反复直到预算耗尽或任务完成。

这套思路与 Claude Code 中的 gauntlet loop 技能异曲同工，Tesana 把这一模式搬了过来。UP 主给出的实际数据颇具参考价值：一个游戏首轮就投入了 3 万额度，后续多个项目普遍设到 5 万甚至 6 万，往往需要跑一整夜（约四五个小时）才出结果。

他也指出一个可改进的产品细节：目前界面不显示任务实际耗时，对开发者来说这个信息其实很重要。此外，循环过程中系统会主动建议「你还可以做什么」，这种引导既实用又让人上瘾——看到合理的建议点一下就继续开工。

Claude Code 中的 gauntlet loop 是 Anthropic 为其编程智能体设计的一种自主迭代模式：智能体在给定目标后，会持续执行「生成代码 → 运行测试 → 分析错误 → 修复 → 再测试」的循环，直到通过所有验证条件或达到预设的资源上限为止。这一模式的核心思想是将传统需要人工反复确认的调试流程自动化，让模型在无需人类介入的情况下自我纠错。其代价是计算资源消耗巨大——每一轮循环都要调用模型推理。Tesana 将类似机制引入游戏开发场景，把「通过测试」的标准换成了「代码无报错、游戏可运行」，这解释了为何单个游戏项目需要消耗数万额度并运行数小时。

五款实测游戏：AI 擅长机制，短板在关卡

UP 主连做了多款风格迥异的游戏，恰好勾勒出 AI 能力的清晰边界。

黑洞吞噬类：机制成立，配置需微调

第一款灵感来自 Instagram 广告——地面上一个洞不断吞噬物体、越变越大。循环模式先产出可玩版本，之后约七个额外提示词主要用于打磨 UI。UP 主特别称赞了资产的一致性：某个雪地关卡里的牛看起来像摆在桌上的小模型，配合景深模糊营造出微缩景观（diorama）的质感，镜头调度也贴合玩法，是他用 AI 做出的最佳效果之一。不过难度平衡偶尔失控，从「太简单」直接跳到「找不到目标」。

鸭子生存与 3D 弹珠：机制强则成，关卡弱则败

第二款是用鸭子重制的「多人生存」类游戏，跑了整晚、约六七个提示词。它揭示了一条重要规律：AI 能把游戏机制做得很完整，但难以自主设计有趣的关卡，而关卡往往占游戏乐趣的一半以上。UP 主的结论很明确——如果游戏乐趣主要来自机制本身，AI 能做出好玩的东西；但如果核心是过关体验，外包给 AI 就行不通。他建议 Tesana 增加关卡编辑器或让用户描述关卡组织方式的能力。

相比之下，3D 弹珠 Roguelike「Lucky Muck」是「AI 精通机制」的正面案例。放置触发器、掉落小球、追求连击组合，AI 把这套机制理解并实现得相当到位。经过调试后（包括处理一个反转的 VFX Bug、附截图反馈），成品加入了「连接同类奖励生成更大加成」的玩法，UP 主评价「意外地好玩」。

自走棋模拟与开放空间塔防：程序化生成的惊喜

自走棋式模拟游戏展现了程序化生成的实力——3D 单位由基础几何体（primitives）拼成，运行极其流畅，比会卡顿的鸭子游戏顺滑得多。更有意思的是单位描述里的冷幽默（「拒绝道歉的长矛鹅」「闭上双眼全力投入的混蛋」），据 UP 主判断这些梗来自智能体本身。这款游戏几乎所有反馈都集中在主菜单，玩法首版就相当可玩，唯一明显问题是数值平衡失调。

花费额度最多的是开放空间塔防，迭代超过十个提示词。它示范了几个亮眼的产品设计：带动画的无缝加载过渡、游戏内报错时可点击「fix it」直接回报 Bug、建筑可查看耐久度并修复。UP 主借助 Grok Imagine 2 生成风格参考图，反复调整美术与玩法后，得到了一款他认为「甚至比原版构想更好」的作品。

明确的能力边界：动画绑定与关卡设计

实测暴露了两处硬性限制，值得所有想用 AI 造游戏的人留意。

一是动画绑定（rigging）。人形单位的绑定可以处理，但四足动物（如塔防里的鹿）无法生成骨骼动画——即便有四足动画库，自动 rigging 的技术目前还不成熟。UP 主提到相关论文「skin tokens」，但认为效果仍不理想。这不是 Tesana 单一工具的问题，而是整个行业当下的缺口。

二是关卡与场景设计。这几乎是所有实测游戏的共同短板：机制能跑通，但真正需要创作者投入的是关卡布局、难度曲线和数值平衡。UP 主给出了一个颇有分量的判断：未来 90% 的游戏或将由 AI 工具制作，那些「点子来自 AI」的游戏不会成功，因为 AI 做不出真正有探索性的关卡；而拥有强创意、精心设计关卡、反复测试平衡的独立游戏，将脱颖而出。

动画绑定（Rigging）是指为 3D 模型创建骨骼系统，并将模型网格与骨骼关联，使骨骼运动时模型表面随之变形的过程。对于人形角色，由于姿态规律性强，学术界和工业界已积累大量训练数据，自动 rigging 工具（如 Mixamo）表现尚可。四足动物因肢体拓扑差异大、运动模式复杂（奔跑步态、跳跃等），自动化处理至今仍是难题。UP 主提到的「skin tokens」论文，指的是近年来尝试用 Transformer 架构将网格顶点与骨骼权重映射自动化的研究方向，其思路是将蒙皮权重预测转化为类似语言模型的序列生成问题，但在复杂拓扑下泛化能力仍然有限，尚未达到生产可用的水准。这一限制意味着非人形生物角色的动画在相当时期内仍需人工介入。

值得关注的产品信号

从这次长时间实测中，可以提炼出几个对开发者和创作者都有意义的信号。多模型编排 + 统一资产管线 + 循环自迭代的组合，确实把「一句话到可玩原型」的门槛降到了新低度。基于 Godot 且支持源码导出，则保证了产物不会被平台绑架，这对严肃创作者是加分项。

但 AI 越强，创作者的注意力反而越集中到它做不好的地方——关卡、平衡、独特创意与手感。正如 UP 主坦言，他酝酿了十年的游戏点子，光是把想法落到纸面、生成合适的参考图，「仅仅是构思阶段就已经耗费大量精力」。工具解决了执行，但创意与打磨依旧是人的战场。