Vibe Coding 挑战极限：16 KB 塞进完整 3D 声呐射击游戏

一个 16 KB 的完整 FPS 游戏是如何诞生的

Reddit 上有开发者分享了一次别开生面的实验：用 Vibe Coding（氛围编程/AI 辅助编码）的方式，制作一款通常需要深厚 demoscene（演示场景）功底才能完成的超小型程序——一个 16 KB 的完整第一人称射击游戏。

作者的动机很直接：想测试 AI 辅助编码能把这种极度依赖底层技巧和手工优化的领域推到多远。他使用了不同的 AI 模型分阶段工作——Fable 5 High 负责初始规划，Opus 5.5 High 负责实现、打磨和优化。最终成品名为 Blind Sector，已开源在 GitHub。这一实验为 Vibe Coding 的能力边界提供了一个有趣的数据点：AI 不仅能写业务逻辑代码，还能在极端约束下辅助完成挑战性的系统级优化任务。

来源截图

Demoscene 是起源于 1980 年代西欧的一个亚文化，参与者（称为 demosceners）在极其严格的体积限制下（常见的有 4KB、16KB、64KB 等类别）创作实时运行的视听演示程序。这类程序通常不使用任何外部资源文件，所有图形、音乐、纹理都必须由代码在运行时程序化生成，因此极度依赖汇编语言、链接器技巧和压缩算法。一个 16KB 的可执行文件能容纳完整的 3D 游戏，意味着它的信息密度远超常规软件。Demoscene 的价值观与商业软件截然不同：体积越小、效果越惊艳，作品获得的评价越高，这种“以约束激发创造力”的传统正是理解本文实验价值的关键背景。

核心玩法：用声音狩猎，也被声音狩猎

游戏设定在地下，玩家处于失明状态。你唯一的感知工具是声呐扫描器，可以发射三种频率的脉冲。

每次脉冲会短暂地点亮墙壁和敌人，随后地图迅速消退回模糊的残影。这种机制让玩家不得不在黑暗中摸索前进，靠瞬间的视觉反馈建立空间记忆。

更具压迫感的设计是：每一次脉冲本身就是噪音，而地下的一切生物都靠声音狩猎。这意味着你获取信息的每一次尝试，都在暴露自己的位置。这个机制把“探测”和“风险”绑定在一起，形成了天然的紧张感循环。

（其中“脉冲既照亮又暴露”的双刃剑机制是本次演示最受关注的设计亮点之一。）

技术优化：极端约束下的工程艺术

在 16 KB 的限制下，每一字节都弥足珍贵。作者分享了一系列令人惊叹的优化手段，展示了如何用 AI 辅助完成本属于极客手工领域的底层技巧。

射线投射与阴影

关卡是一个 64×64 的网格，在片段着色器中用 2D DDA 算法进行射线投射。这一设计释放了约 430 字节的空间，这笔预算随后被用来实现脉冲阴影、伪环境光遮蔽（fake AO）和程序化墙壁纹理。

有符号距离场（SDF） 是一种用数学函数描述物体表面的方法：对于空间中任意一点，SDF 返回该点到物体表面的最短距离，正数表示在物体外部、负数表示在内部、零表示恰好在表面上。相比存储顶点和三角面片，SDF 只需少量参数（如圆心和半径）就能定义几何体，并且天然支持平滑并集、交集等布尔运算，非常适合程序化生成和极简存储。球体追踪（sphere tracing） 则是基于 SDF 的渲染算法：从相机出发沿射线前进，每一步都询问当前点离最近表面有多远，然后安全地前进这段距离，反复迭代直到命中表面。它不需要传统光栅化的深度缓冲，在片段着色器中即可完成，因而在 demoscene 和 shader 艺术中被广泛使用。

单次绘制调用，零 uniform

每一帧，CPU 重写一个浮点纹理（64×90 RGBA32F），其中包含单元格数据、敌人列表、脉冲状态、灯光、HUD 文本乃至字体位信息。相机的偏航角、俯仰角和宽高比通过单个 glRects 的纹理坐标传入。零 uniform、零矩阵、一次绘制调用——这是 demoscene 级别的极致精简。

有符号距离场敌人

敌人由**有符号距离场（SDF）**构建，用圆角盒子和“肢体”段组装（每个部件 7 字节），通过平滑并集和球体追踪渲染。爬行怪有六条关节腿，会真正地行走。为解决近景渲染缓慢的问题，每个部件被赋予了包围球，着色器可以跳过不必要的计算。

编译器级优化

作者采用了一系列非常规手段：使用 x87 而非 SSE2、stdcall 而非 cdecl、关闭内联、以及用 300 MB 的 Crinkler 哈希表替代 100 MB 版本。这些选择偏向于压缩最终体积而非运行速度，体现了极端空间约束下的权衡思路。

Crinkler 是一款专为 Windows 可执行文件设计的压缩链接器，常见于 4KB 和 64KB demoscene 作品中。它与普通压缩工具的核心区别在于：它不只压缩数据，还会压缩 PE 文件头、导入表、重定位信息等所有结构，并让解压代码与压缩数据共用同一块内存空间，从而把最终体积压到理论极限。Crinkler 使用基于上下文的算术编码，压缩率与所用哈希表大小正相关：300MB 的哈希表能比 100MB 版本找到更多重复模式，代价是链接阶段的内存占用和耗时显著增加。这正是作者为体积而牺牲构建速度的典型取舍。

程序化生成音乐

音乐也是生成式的。每个小节由一个微型**线性同余生成器（LCG）**从自然音阶和声进行中选取和弦，然后 pad、bass 和琶音通过音效使用的同一合成器播放。

线性同余生成器（LCG） 是最简单的一类伪随机数算法，通过公式 x_{n+1} = (a·x_n + c) mod m 迭代产生看似随机的数列，其中 a、c、m 为预设常数。它的优点是实现只需几行代码和几个字节的常量，非常适合体积受限的程序化生成；缺点是随机性质量较低，周期有限。在这里，LCG 被用作音乐的和声“决策者”：每个小节从自然音阶（如 C 大调音阶）的可用和弦中伪随机地挑选一个进行，再驱动 pad、bass 和琶音声部，使音乐既有随机变化又保持调性统一，且无需存储任何音频采样数据。

Vibe Coding 的边界探索与启示

这个实验的价值不只在于做出了一个游戏，更在于它对 Vibe Coding 适用范围的试探。

通常情况下，16 KB 的程序体积控制属于 demoscene 领域，需要开发者对汇编、链接器、压缩算法有多年积累。作者本人也表示，这类任务“通常需要深厚的 demoscene 知识”。而这次，他借助 AI 完成了从规划到优化的全流程。

这提出了一个值得思考的问题：当 AI 能够辅助甚至主导极端底层的优化工作时，人类开发者的核心竞争力是什么？

一种可能的答案是：品味与判断力。作者需要理解游戏机制的设计逻辑（声呐双刃剑）、做出架构决策（单绘制调用、纹理传参）、以及在多个优化方向之间取舍（体积优先还是性能优先）。AI 提供了实现能力，但方向选择和美学判断仍来自创作者。

当然，这次实验也并非意味着 demoscene 技能的消失。AI 辅助本身仍需要使用者能够评估输出质量、诊断问题、并在 AI 陷入困境时提供新的思路。

开源与延伸

完整的源代码和可执行文件已发布在 GitHub：https://github.com/zTrojan/blind-sector。感兴趣的技术读者可以深入研究纹理打包、SDF 建模和 Crinkler 压缩等具体实现细节。

Blind Sector 作为一个实验性项目，为 Vibe Coding 的能力边界和技术选型提供了一个极佳的参考案例：在严格的物理约束下，AI 辅助编码可以完成相当复杂的系统级工作，但它仍然是一个放大器，而非替代品。人类的创意方向和工程判断依然是项目中不可或缺的部分。