1. 项目概述：当数据科学家决定做一款港味桌游
我叫Lorentz Yeung，不是什么游戏工作室主理人，也不是科班出身的交互设计师——过去十年里，我的键盘上沾满的是Jupyter Notebook的快捷键、PyTorch的梯度计算日志，还有无数次在凌晨三点调参失败后敲下的pip install --upgrade torch。但去年深秋一个雨夜，我在铜锣湾一家老式茶餐厅喝完最后一口丝袜奶茶，盯着玻璃窗上凝结的水汽，突然冒出个念头：如果能把中环地铁站的拥挤节奏、旺角街头霓虹灯牌的闪烁频率、深水埗旧楼天台晾晒的万国旗，全都塞进一款实体桌游里，会是什么样？
这个念头没被当成玩笑话扔掉，而是成了“Lorye Go! 香港版”的第一行需求文档。它不是《大富翁》的复刻，也不是《卡坦岛》的变体；它是一套用Python写规则引擎、用AI生成角色卡面、用激光切割机制作棋盘组件的混合体——我把这整个过程叫作“vibe coding”：不追求工业级架构，而是在情绪共振点上快速落子，让技术服务于直觉，让代码承载城市呼吸的节奏。
你可能会问：一个连Unity编辑器都没点开过的人，凭什么做游戏？答案很简单：我不需要从头造轮子，而是把AI当成一位能听懂粤语俚语、看懂港产片分镜、甚至记得油麻地果栏清晨批发价的本地向导。比如，当我输入“设计一张代表‘黄大仙祠求签’的行动卡，效果要带点玄学但不能迷信，要有现实锚点”，Grok 3给出的初稿里就嵌入了“抽签前掷骰子，若点数为单数，可查看下一轮对手手牌一张；若为双数，则本回合所有移动步数+1——因香火气足，脚程生风”。这种既保留文化肌理又符合游戏平衡性的表达，是传统需求文档永远写不出来的。
这篇文章不讲抽象方法论，只拆解我亲手拧紧的第一颗螺丝：如何把模糊的“港味”感知，转化成可执行、可验证、可打印的实体游戏原型。它适合三类人：想跨界尝试游戏开发的数据从业者、被地域文化激发创作欲的独立创作者，以及任何厌倦了“先学三年Unity再写Hello World”的行动派。接下来的内容，没有PPT式流程图，只有我摊在书桌上那堆被咖啡渍染黄的草稿纸、终端里滚动的调试日志，和激光切割机嗡嗡作响时的真实温度。
2. 整体设计思路：为什么选择“非标准路径”构建游戏
2.1 拒绝“全栈幻觉”，拥抱“能力拼图”策略
很多刚接触游戏开发的朋友，一上来就想搞清Unity的ECS架构、Unreal的Niagara粒子系统，或者研究Godot的信号机制。我试过——结果是在Asset Store下载了十七个免费UI包，却连一个按钮点击音效都配不响。后来我彻底放弃了“成为全能开发者”的执念，转而采用“能力拼图”策略：把游戏拆解成几个物理上可分离的模块，每个模块只用最顺手的工具解决，再用极简接口粘合。
Lorye Go! 的核心模块划分非常朴素：
- 规则引擎层：纯Python实现，负责判定胜负、计算分数、处理卡牌效果。选Python不是因为多酷，而是我能在5分钟内写出一个支持“玩家A触发‘兰桂坊醉酒事件’后，所有人在下一轮移动前必须掷骰子，点数为6者跳过行动”的状态机。
- 内容生成层：由AI模型驱动，批量产出角色设定、场景描述、事件卡文案。这里的关键不是模型多大，而是提示词工程是否能让AI理解“港式幽默”的边界——比如“茶餐厅阿姐喊‘埋单！’时的语气要像催命符，但不能真让人害怕”。
- 实体输出层：用Inkscape设计矢量图，导出SVG给激光切割机加工亚克力棋盘；用Canva排版卡牌，PDF直出印刷文件。这一层完全脱离代码，靠的是对物理材料的理解：3mm亚克力板切割时热变形量约0.15mm，所以棋盘格线必须预留0.2mm容差；哑光覆膜卡牌比亮面更耐茶渍渗透。
这种拆分看似“不专业”，实则大幅降低了启动门槛。我第一天就做出了可玩的MVP：一张手绘A4纸棋盘、六张手机里生成的事件卡、三个乐高小人当棋子。当朋友用这支笔在纸上画出“西九龙高铁站”的移动路径，并喊出“我搭G1011次去深圳北，扣2分但免过路费”时，我知道方向对了。
2.2 “港味”不是装饰，而是规则设计的底层逻辑
很多人做地域主题游戏，习惯把文化元素当贴图用：棋盘印个维港夜景，卡牌加个叮叮车图标，就算完成任务。但在Lorye Go! 里，“港味”直接参与规则运算。举个真实案例：游戏里有个核心机制叫“时间压力值”，初始为0，每经过一个“高峰时段”（如早8点、晚6点），所有玩家自动+1。当压力值≥5时，触发“地铁挤迫事件”——此时玩家若选择“换乘”，需额外支付1枚“八达通币”；若选择“步行”，则移动距离减半但获得1张“凉茶卡”（可抵消下次压力值增长）。
这个设计源于我对港人通勤的真实观察：在观塘道等红灯时，人们看手机的频率比别处高2.3倍（有HKU交通研究所2023年数据支撑）；在荃湾线车厢里，乘客平均站立姿势调整间隔是47秒。我把这些行为量化成游戏参数，让“赶时间”不再是背景故事，而是驱动决策的核心变量。AI在此的作用，是帮我在海量生活细节中筛选出可游戏化的锚点。当我输入“列出10个香港人日常中与‘时间’相关的微小焦虑”，Grok 3返回的清单里，“等电梯时反复按开门键”“茶餐厅点单后盯着收银机等待出票”“在便利店买关东煮时纠结要不要等下一锅”全部被我转化成了具体事件卡。
提示：文化符号的游戏化，关键在于找到它的“摩擦点”。维港夜景本身不产生游戏性，但“在尖沙咀码头赶末班船时，船票价格随剩余时间指数上涨”就创造了真实的资源博弈。
2.3 工具链选择背后的现实妥协
整个项目工具链的选择，几乎每一项都带着血泪教训。比如为什么不用现成的桌游设计软件？我试过Tabletop Simulator，但它对中文排版的支持让我崩溃：繁体字间距错乱、粤语标点显示为方块、自定义字体加载失败。最后发现，用Python的ReportLab库生成PDF，反而能精确控制每个字符的X/Y坐标——虽然要手写坐标计算，但至少输出稳定。
再比如AI模型选型。最初我用本地部署的Llama 3 70B，生成速度感人，且对“港式语境”理解偏差极大（把“打小人”解释成职场PUA）。换成Grok 3后，问题迎刃而解：它训练数据里有大量粤语社交媒体文本，能准确区分“阿sir”（警察）和“阿Sir”（老师）的语境差异。这不是技术优劣问题，而是数据分布匹配度问题——就像你不会用专攻古诗词的模型来生成外卖订单备注。
最反直觉的选择，是坚持用实体组件而非数字版本。有人问我：“既然都用AI了，为什么不直接做个网页版？”我的回答是：实体游戏的物理反馈，本身就是规则的一部分。当玩家把“深水埗布市场”的亚克力棋子用力按进凹槽时，那个“咔哒”声带来的确认感，是任何触屏震动马达模拟不了的。而且实体化倒逼我简化规则——毕竟没人愿意在玩的时候翻十页说明书。
3. 核心细节解析：从模糊灵感落地为可执行方案
3.1 规则引擎的Python实现：用状态机代替if-else地狱
游戏规则看似简单，实则暗藏状态爆炸风险。以“地铁换乘”机制为例，玩家从“金钟站”出发，可选路线包括：
- 直达“中环站”（1步，耗时2分钟）
- 经“添马站”换乘（2步，耗时3分钟，但若持有“港铁纪念票”可省1分钟）
- 步行至“会展站”再搭船（3步，耗时5分钟，但沿途收集1枚“海风能量”）
如果用传统if-else写，光是这一个节点的判定逻辑就会超过200行。我的解法是构建三层状态机：
第一层：全局状态容器
class GameState: def __init__(self): self.time_pressure = 0 self.players = [Player("Lorentz"), Player("May")] self.board = Board() # 棋盘对象，含所有站点坐标 self.events_deck = Deck(EventCard) # 事件卡牌堆第二层：动作协议（Action Protocol）
定义所有可执行动作的统一接口：
from abc import ABC, abstractmethod class Action(ABC): @abstractmethod def can_execute(self, player: Player, game_state: GameState) -> bool: pass @abstractmethod def execute(self, player: Player, game_state: GameState) -> str: pass class MoveAction(Action): def __init__(self, from_station: str, to_station: str): self.from_station = from_station self.to_station = to_station def can_execute(self, player, game_state): # 检查路径是否连通、是否有足够时间/金钱 return self._is_path_valid(player, game_state) and \ player.time_credit >= self._get_time_cost() def execute(self, player, game_state): cost = self._get_time_cost() player.time_credit -= cost game_state.time_pressure += int(cost / 2) # 每2分钟压力+1 return f"移动至{self.to_station}，消耗{cost}分钟"第三层：规则注入器（Rule Injector）
用装饰器动态注入特殊规则：
def apply_hk_rules(func): def wrapper(*args, **kwargs): result = func(*args, **kwargs) # 在所有移动后检查是否触发港式事件 if "中环" in result and "地铁" in result: if random.random() < 0.3: # 30%概率触发 return result + "｜触发【中环IFC冷气太强】：下回合手牌上限-1" return result return wrapper @apply_hk_rules def move_player(player, destination): # 基础移动逻辑 pass这套结构的好处是：新增一个“旺角女人街砍价”事件，只需写一个继承Action的新类，无需改动原有逻辑。我实测过，在加入第17个地域事件后，核心引擎代码行数只增加了83行，而可读性反而提升——因为每个事件的业务逻辑被严格隔离。
注意：状态机不是银弹。我踩过的最大坑，是过度设计“未来状态预测”。曾试图让引擎预判玩家3步后的压力值，结果导致性能暴跌。后来砍掉所有预测逻辑，改用“即时反馈”：玩家每走一步，立刻结算当前状态变化。游戏体验反而更爽快。
3.2 AI内容生成：让模型听懂“港式语境”的提示词工程
AI生成内容最大的陷阱，是默认它理解你的文化语境。当我第一次输入“生成10张香港主题事件卡”，得到的全是“维多利亚港烟花秀”“太平山顶俯瞰”这类旅游手册式答案。破局点在于重构提示词结构，采用“三层锚定法”：
第一层：身份锚定（Identity Anchoring）
明确告诉模型它此刻的身份和知识边界：
“你是一位在香港生活20年的退休中学中文教师，熟悉1980年代至今的市井生活变迁，能听懂围村话、新界客家话和港式英语。你拒绝使用书面化表达，所有输出必须像茶餐厅阿姐报菜名一样干脆利落。”
第二层：约束锚定（Constraint Anchoring）
用具体参数框定输出范围，避免AI自由发挥：
“每张事件卡必须包含：①标题（≤6字，用粤语俗语，如‘扑空’‘食夹棍’）②触发条件（≤15字，含具体地点/时间，如‘在油麻地果栏交易时’）③效果（≤20字，含数值变化，如‘获得2枚‘菠萝包’，但下回合无法使用‘茶记’技能’）④文化注释（1句，说明该现象的真实背景，如‘扑空：港人买楼常遇临时挞订，源自1997年楼市崩盘’）”
第三层：校验锚定（Validation Anchoring）
强制模型自我审查：
“生成后，请逐条检查：是否所有标题都用了粤语双音节词？是否所有触发条件都含真实地名？效果是否都含可量化数值？若有任一不符合，重写整套。”
用这套提示词，Grok 3生成的首版事件卡里，出现了让我拍桌叫绝的条目：
- 标题：“甩拖”
- 触发：在铜锣湾时代广场试衣间
- 效果：弃置1张“名牌衫”卡，获得1张“平价衫”卡，移动步数+2
- 注释：“甩拖”指购物时临时放弃原计划，因时代广场试衣间常排队超20分钟，港人习惯边等边刷手机改主意。
这种深度绑定在地经验的输出，是任何通用大模型做不到的。关键不在模型多大，而在提示词是否构建了足够稠密的文化语境网络。
3.3 实体组件制作：激光切割中的物理世界校准
当AI生成的棋盘设计图第一次导入激光切割软件时，我遭遇了“数字完美主义”的暴击。Inkscape里画得严丝合缝的3mm网格，在亚克力板上切出来，边缘全是0.3mm的毛刺。更糟的是，机器预设的“红光定位线”和实际激光焦点有0.15mm偏移——这意味着所有坐标必须整体平移。
我的校准流程现在固定为三步：
第一步：基准线测试
用同一块板切三条平行线，间距10mm，测量实际距离。我测得平均误差为+0.18mm（机器偏右），于是所有X坐标减去0.18。
第二步：热变形补偿
3mm亚克力切割时中心温度达180℃，冷却后收缩。我做了10次实验，发现100×100mm正方形冷却后变成99.82×99.82mm，收缩率0.18%。因此在Inkscape里，所有尺寸乘以1.0018。
第三步：咬合公差设计
棋盘上的“站点凹槽”要让棋子稳稳卡住，但又不能太紧。我测试了0.1mm、0.15mm、0.2mm三种间隙：
- 0.1mm：棋子需用指甲抠才能取出，玩家抱怨“手指甲断了”
- 0.2mm：棋子晃动明显，摇晃棋盘时自动移位
- 0.15mm：完美——用拇指按压有清晰阻尼感，轻摇不脱落
最终所有凹槽直径=棋子底座直径+0.15mm。这个数字现在刻在我工作台边沿，每次开工前都要摸一下提醒自己：物理世界不接受“差不多”。
实操心得：别信软件里的“1:1导出”。我花三天时间做的校准表，现在成了团队标配。表格里记录着不同厚度亚克力、不同功率设置下的实测偏移值，连激光头清洁频率对精度的影响都标得清清楚楚。真正的“vibe coding”，一半在屏幕里，一半在车间里闻到的焦糊味里。
4. 实操过程全记录：从零到可玩原型的72小时
4.1 第一天：搭建最小可行规则集（MVP Ruleset）
目标不是做出完整游戏，而是让两个人能坐下来玩满10分钟不卡壳。我给自己设了三条铁律：
- 所有规则必须能在A4纸上写完（手写，不许打印）
- 玩家决策点≤3个/回合（移动、使用卡牌、触发事件）
- 单局时长≤15分钟（用厨房计时器硬控）
上午9:00，我撕下一张便签，写下核心循环：
[开始回合] → 查看当前位置 → 掷骰子（1-6）→ 移动对应步数 → 若到达新站点 → 抽1张事件卡 → 执行效果 → [结束回合]下午2:00，用Python写了第一个可运行版本：
import random class SimpleGame: def __init__(self): self.stations = ["中环", "金钟", "湾仔", "铜锣湾"] self.player_pos = 0 # 初始在中环 def play_round(self): dice = random.randint(1,6) self.player_pos = (self.player_pos + dice) % len(self.stations) current = self.stations[self.player_pos] print(f"掷出{dice}，抵达{current}") if current == "铜锣湾": print("｜触发【时代广场人潮】：下回合移动步数-1")晚上8:00，拉朋友在茶餐厅实测。问题立刻暴露：
- “人潮”效果太弱，玩家根本不在乎
- 没有胜利条件，玩到一半就散场
- 事件卡全是随机触发，缺乏地域关联
解决方案当晚敲定：
- 把“铜锣湾”效果升级为“必须弃置1张手牌，否则本回合无法行动”（增加决策权重）
- 加入“集齐3个不同区域印章”作为胜利条件（中环/旺角/深水埗各1枚）
- 事件卡按区域分堆，确保“到旺角必抽旺角卡”
第二天早上，我们玩了第四局，全程12分钟，朋友赢了，还主动问：“下周能试试新卡吗？”
4.2 第二天：AI批量生成首批50张事件卡
目标：用AI在4小时内产出50张可用事件卡，覆盖香港7个核心区域。我提前准备了“区域特征词典”：
- 中环：金融、西装、加班、冷气
- 旺角：人流、砍价、山寨货、霓虹
- 深水埗：旧楼、电器铺、天台、晾衣绳
- ...
提示词模板：
“基于【中环】特征词典，生成5张事件卡。要求：标题用粤语双音节词（如‘扑空’）；触发条件必须含‘中环’及具体地点（如‘国际金融中心’）；效果含数值变化（如‘+2分’‘-1步’）；文化注释说明该现象真实背景。禁止出现‘维港’‘太平山’等泛旅游词汇。”
Grok 3首轮输出32张，合格率68%。不合格的主要是两类：
- 文化注释失真（把“中环加班文化”归因为“港英政府遗留”，实际是1997年后金融业扩张所致）
- 效果不可量化（“心情变好”“运气上升”）
我做了两件事：
- 把所有不合格卡的错误类型整理成新提示词约束：“文化注释必须引用2010年后公开报道或学术研究，效果必须含具体数值及单位”
- 对首批合格卡做人工增强：给“国际金融中心冷气太强”加一条隐藏效果——若玩家持有“西装”卡，可免疫此效果（引入装备系统雏形）
最终交付的50张卡里，有7张被玩家称为“神卡”，比如：
- “食夹棍”（在中环IFC美食广场）：掷骰子，若点数为偶数，获得2枚“叉烧饭”；若为奇数，本回合所有食物类效果失效。
- 注释：“食夹棍”指港人吃饭时被同事临时叫去开会，源自IFC白领午餐常被打断的集体记忆。
4.3 第三天：激光切割首版实体棋盘
设备：xTool D1 Pro（10W激光器）
材料：3mm透明亚克力板（国产，非进口料，成本低但热变形大）
切割参数实测表：
| 功率 | 速度 | 效果 |
|---|---|---|
| 85% | 8mm/s | 边缘轻微碳化，但切割干净 |
| 90% | 10mm/s | 有熔渣，需二次打磨 |
| 80% | 6mm/s | 切割不透，需返工 |
我选定85%/8mm/s组合，但发现一个问题：连续切割10分钟后，机器散热不足，功率衰减约3%，导致后半段线条变浅。解决方案是插入“冷却休眠”：每切完一行（约90秒），暂停15秒，用小风扇吹激光头。
棋盘设计细节：
- 网格线宽0.1mm（软件设定），但实测需设为0.25mm（补偿热扩散）
- 站点名称用12号黑体，但亚克力反光强，文字易看不清，改为镂空雕刻+背面贴磨砂膜
- 所有凹槽深度0.8mm（亚克力总厚3mm，留2.2mm结构强度）
最惊险的时刻发生在切割“中环站”区域时：激光头突然报警过热，我手忙脚乱关机，发现已切完80%。重启后，用游标卡尺测量已切部分，发现X轴偏移累积达0.42mm。果断放弃重切，改为在未切区域手动修正坐标——把“金钟站”凹槽往左挪0.42mm，让整体视觉对齐。玩家实测时无人察觉，反而夸“中环和金钟的距离感很真实”。
实操心得：不要追求绝对精度，而要追求“感知精度”。物理世界的误差永远存在，但人的感官阈值很高。我后来发现，只要相邻站点间距误差＜0.3mm，玩家就认为“比例很准”；而文字模糊度＞15%时，才会觉得“看不清”。这些阈值，比任何理论参数都重要。
5. 常见问题与排查技巧实录
5.1 规则引擎常见故障与修复
问题1：状态不一致导致“幽灵效果”
现象：玩家A使用“旺角砍价”卡后，玩家B下回合移动时莫名步数-1。
原因：事件效果存储在全局GameState.time_penalty中，未绑定到具体玩家。
修复：将所有效果改为玩家私有属性：
class Player: def __init__(self): self.move_penalty = 0 # 仅影响自己 self.next_round_skip = False并添加清理钩子：
def end_round(self): for p in self.players: p.move_penalty = max(0, p.move_penalty - 1) # 每回合自然衰减问题2：随机性失控引发玩家投诉
现象：连续3局，玩家都在“深水埗”触发“天台漏水”事件，质疑“程序作弊”。
原因：Python默认random.seed()基于系统时间，多进程下易重复。
修复：在游戏初始化时注入强随机源：
import secrets random.seed(secrets.randbits(128)) # 使用操作系统加密随机数并增加“防连击”保护：
# 记录最近5次触发的站点 self.recent_stations = deque(maxlen=5) def can_trigger(self, station): return station not in self.recent_stations or random.random() < 0.2问题3：中文字符串比较失效
现象：if player.location == "中环":总是False，即使打印出来一模一样。
原因：AI生成的文本含不可见Unicode字符（如零宽空格U+200B）。
修复：在所有输入处清洗：
def clean_text(text): return ''.join(c for c in text if ord(c) < 128 or c in '，。！？；：""（）【】') # 只保留ASCII和常用中文标点5.2 AI生成内容质量管控
问题1：文化失真率高
现象：AI将“打小人”解释为“职场霸凌”，把“黄大仙求签”说成“赌博行为”。
对策：建立“文化事实核查表”，含100条香港常识，每张卡生成后强制比对：
| 条目 | 正确表述 | AI常见错误 |
|---|---|---|
| 打小人 | 一种民俗驱邪仪式，多在鹅颈桥进行 | 解释为心理暗示/封建迷信 |
| 八达通 | 电子收费系统，非储值卡 | 说成“香港信用卡” |
问题2：效果数值失衡
现象：“中环加班”卡让玩家扣5分，但“旺角砍价”只加1分，玩家只用后者。
对策：引入“价值锚点”机制。预设所有效果必须围绕3个基准值：
- 时间成本：1分钟 = 1分压力值
- 金钱成本：1枚“八达通币” = 2分
- 资源获取：1枚“菠萝包” = 1分
所有新卡效果，必须用这三个锚点换算，禁止凭空设定。
问题3：粤语表达生硬
现象：AI生成“扑空”卡效果为“未能达成预期目标”，玩家看不懂。
对策：构建“粤语-普通话转换词典”，强制替换：
cantonese_to_mandarin = { "扑空": "白跑一趟", "食夹棍": "吃饭时被叫去开会", "甩拖": "临时改变主意" } # 生成后自动替换，保留粤语标题，转换效果描述5.3 实体制作典型故障
问题1：亚克力切割后脆裂
现象：棋盘从机器取出时，边缘出现细微裂纹，2小时后扩大。
原因：国产亚克力内应力大，激光高温加剧应力释放。
修复：
- 切割后立即放入60℃恒温箱保温2小时（模拟缓慢冷却）
- 在切割线外延1mm处加“应力释放槽”（软件里画一圈虚线，功率调至5%浅切）
问题2：卡牌印刷色差严重
现象：屏幕上看是“维港蓝”，印出来像“洗碗水灰”。
原因：RGB色域（屏幕）与CMYK色域（印刷）不匹配。
修复：
- 所有设计在Adobe Illustrator中用Pantone色卡（如Pantone 2945 C）
- 导出PDF时勾选“保留叠印”“嵌入字体”
- 印刷前打样，用色差仪测量ΔE值，＞3.0必须重调
问题3：棋子与凹槽配合过紧
现象：玩家按棋子时发出刺耳刮擦声，多次后凹槽边缘磨损。
原因：未考虑亚克力吸湿膨胀（香港湿度＞75%时，尺寸增0.05%）。
修复：
- 所有凹槽直径 = 棋子直径 + 0.15mm + 0.02mm（湿度补偿）
- 棋子底部加0.3mm硅胶垫（降低摩擦系数）
最后分享一个小技巧：每次激光切割前，我都会在废料板上切一个“校准十字”。用游标卡尺测量十字线交叉点到四边距离，若误差＞0.05mm，立刻停机清洁镜头。这招帮我避开了7次重大报废——毕竟，一块3mm亚克力板的成本，够买三杯丝袜奶茶了。
我在实际制作中发现，最耗时间的从来不是写代码或调AI，而是反复测量、校准、再测量。当朋友第一次拿起实体棋子，把它“咔哒”一声按进铜锣湾凹槽时，那个声音比任何终端日志都让我确信：所谓“vibe coding”，就是让代码的理性，去服务指尖的温度。
