拓冰网站定制 
Unity 开发者在 2025 年应该都刷到过 “AI 写代码” 的内容但真正落到 Unity 项目里能把编辑器、场景、C# 脚本和任务流打通的不多。这次我们来看一个可以实际投入生产的组合Unity Claude Code MCP。Claude Code 是 Anthropic 推出的命令行 AI 编程助手MCPModel Context Protocol是它和外部工具通信的标准协议。两者结合后你可以在 Unity 项目里直接让 Claude Code 读取场景、创建对象、修改组件、生成 C# 脚本甚至把“潜行机制”“敌人行为系统”这类玩法逻辑拆成任务清单让 AI 按工作流逐步完成。这篇文章会覆盖四块内容第一Claude Code 和 MCP 在 Unity 项目里到底怎么分工第二从环境准备到启动服务的完整流程第三用潜行检测、AI 行为状态机两个例子验证 AI 生成代码的效果第四把 Claude Code 接进批量任务和接口工作流让它从一个聊天助手变成可持续运行的开发代理。如果你关心本地部署、AI 辅助开发、Unity 脚本自动生成、行为树与状态机实现这篇文章可以直接收藏。先说结论这套组合不等于“输入需求就有完整游戏”它更接近一个能理解 Unity 项目结构、能高频修改代码、能调用编辑器的开发协作者。适合独立开发者、小团队快速验证玩法原型也适合有一定架构能力的人把重复的脚本工作交给 AI。下面从核心能力开始拆。1. 核心能力速览能力项说明项目类型AI 辅助游戏开发工具链基于 Claude Code MCP Unity主要功能生成/修改 C# 脚本、读取 Unity 场景、操作编辑器对象、管理任务清单、批量脚本生成硬件门槛取决于模型服务云端 API 时普通开发机能跑本地模型时按模型要求配置 GPU/内存启动方式命令行启动 Claude CodeUnity 编辑器加载 MCP 插件是否支持 API支持Claude Code 提供 headless CLI 参数调用也可通过 MCP 工具接口调用是否支持批量任务支持可通过脚本循环调用 CLI 或定义任务队列适合场景原型验证、Roguelike 小游戏、AI NPC 行为、潜行玩法、技能系统、批量生成配置数据不适合场景完全替代架构设计、上线前非经人工审查的大规模代码合并从表格能看出来这套工具链的重点不是“一键生成游戏”而是把游戏开发里大量可模板化、可检索、可测试的工作交给 AI 代理。潜行机制里的视野检测、声音感知、警戒条逻辑AI 行为系统里的巡逻/追击/搜索状态这类代码在不同项目里高度相似用 Claude Code 生成后再针对项目参数微调效率提升非常明显。需要强调一点Claude Code 的模型服务可以通过 Anthropic API 使用也可以对接经过兼容适配的本地推理服务。具体用哪种方式需要根据你的开发环境、数据隐私要求和成本预算决定。如果项目代码不能出内网就优先考虑本地模型方案如果只是做公开项目的玩法原型云端 API 的响应速度更快。没有统一答案本文按“Claude Code 本质上是一个命令行代理它通过 MCP 获取 Unity 上下文通过模型服务理解和生成代码”这个逻辑来展开。2. 适用场景与使用边界先说适合谁。第一种是独立游戏开发者一个人要兼顾策划、程序、美术、测试脚本生成和场景调整往往是最耗时的一环。第二种是三人以内的小型工作室需要快速做玩法原型验证比如潜行机制是否有趣、AI 巡逻逻辑是否自然这类需求用 Claude Code 缩短第一版实现时间非常划算。第三种是已经有稳定项目架构的中大型团队可以把 Claude Code 用来处理批量生成、配置表读取、UI 事件绑定、单元测试补充等重复劳动。能解决什么问题最直观的是降低“从想法到可运行脚本”的门槛。过去你要先翻 Unity API 文档确定用Physics.OverlapSphere还是Vector3.Angle再写检测逻辑然后反复调参数。现在你只需要用自然语言描述规则玩家走路会发出声音敌人在 5 米内能听到玩家在敌人正面 60 度、距离 8 米内会被发现。Claude Code 会结合 Unity 的 API 生成对应代码你再在编辑器和游戏视图中验证。不适合什么场景第一大型项目的公共框架层比如网络同步、存档系统、热更新框架这种代码对架构一致性要求极高AI 生成的版本只能作为参考不能直接合入主干。第二需要深度美术表现的内容比如动画状态机、Timeline 演出、材质泛光细节Claude Code 能写代码但无法替代美术直觉。第三上线前最后阶段的紧急修复此时必须由了解历史上下文的人类工程师负责。安全与合规边界必须前置说明。使用 AI 生成代码时要确认生成内容不违反第三方版权尤其是直接从素材商店或 GitHub 复制来的逻辑片段。对于潜行、AI 行为这类系统如果计划商用建议对代码进行代码扫描和人工审查。涉及玩家数据、用户隐私的模块不能把数据发给非私有化部署的 AI 服务。文章后续所有演示均建议在测试项目、本地环境完成不要直接在生产项目上跑未经审查的批量修改。3. Unity Claude Code 本地开发环境准备在进入真正操作前先把环境清单列清楚。下面是一套通用的前置条件每个版本号会随官方更新变化实际安装时以官网为准不要照抄固定版本。3.1 最小环境清单项目通用要求操作系统Windows 10/11、macOS 或主流 Linux 发行版Unity建议使用 Unity 2021 LTS 及以上版本2023 LTS 更稳Node.jsClaude Code CLI 基于 Node.js 运行时建议 Node 18 或更高Claude Code CLI通过 npm 全局安装命令名一般为claude模型服务Anthropic API Key或兼容的本地推理服务地址MCP 插件Unity 编辑器中安装支持 MCP 的第三方插件用于桥接编辑器与 Claude Code磁盘空间Unity 编辑器本身 10GB 以上项目另计3.2 为什么需要 MCPClaude Code 本身是一个命令行程序它能读取你的文件目录、运行命令、根据用户指令生成代码。但它默认不知道 Unity 编辑器里有哪些场景、哪些 GameObjects、哪个组件挂在哪个节点上。MCP 就是来补这个缺口的。Unity 编辑器里运行一个 MCP 服务端插件后这个插件会把编辑器状态暴露成一组工具比如“获取当前场景所有物体”“创建空物体”“给物体添加组件”“修改 SerializedField 值”。Claude Code 作为 MCP 客户端就可以在对话中直接调用这些工具。所以环境准备的核心是两件事让 Claude Code 跑起来让 Unity 的 MCP 服务端跑起来再把两者连通。3.3 检查清单# 检查 Node.js 版本 node -v npm -v # 检查 Unity 版本 # 打开 Unity Hub查看当前项目使用的 Editor 版本建议用 Unity Hub 创建一个全新的 3D 模板项目用于测试项目名可以是AIDevLab。后续所有 AI 生成的脚本都在这个测试项目里验证避免污染正式项目。4. 安装部署与启动方式4.1 安装 Claude Code CLIClaude Code 官方文档推荐的安装命令是通过 npm 全局安装。实际包名和命令随着版本演进可能调整下面给出常见写法执行时以官方文档为准# 全局安装 Claude Code CLI npm install -g anthropic-ai/claude-code # 验证安装 claude --version安装完成后需要登录或配置 API Key。通常在终端执行# 启动登录流程 claude login如果使用环境变量方式可以按需配置# 配置 API Key 的环境变量示例 export ANTHROPIC_API_KEY你的_API_Key如果你使用本地推理服务则需要把模型服务的 base_url 和相关参数配置到 Claude Code 支持的位置。具体字段名以对应适配器文档为准不要在不确定的情况下直接改默认配置。4.2 在 Unity 项目中启动 Claude Code进入你的 Unity 项目根目录也就是包含Assets文件夹的目录然后启动cd /path/to/UnityProject claude启动后你可以向 Claude Code 提问“这个项目的 Assets 目录下有哪些脚本”它会遍历文件并回答。建议第一次先让它总结项目结构确认它能正确读取目录再开始生成代码。4.3 配置 MCP 服务器MCP 的配置一般放在项目根目录的.mcp.json文件里。Unity MCP 插件的具体安装方式取决于社区实现但配置结构通常是声明服务器名称、启动命令和参数。下面是一个通用模板实际字段要根据你使用的 Unity MCP 插件文档调整{ mcpServers: { unity: { command: npx, args: [ unity-mcp-server, --project, /path/to/UnityProject ], env: {} } } }配置完成后在 Claude Code 对话里发送“列出当前可用的 MCP 工具”如果返回了 Unity 相关的工具列表就说明桥接成功。4.4 启动顺序建议推荐的启动顺序是先启动 Unity 编辑器并打开测试项目再启动 Unity MCP 插件最后在项目根目录运行claude。如果先启动 Claude Code 再打开 Unity部分插件可能无法注册工具需要在 Claude Code 里执行重新连接命令。从实操角度看这种顺序最不容易出现 “MCP 工具找不到” 的问题。5. 功能测试与效果验证这一节我们走一遍实际测试流程。测试目标有三个潜行检测逻辑、AI 行为状态机、MCP 编辑器操作。每个功能都按“测试目的、输入描述、操作步骤、预期结果、失败排查”来组织。5.1 用自然语言生成潜行检测脚本测试目的确认 Claude Code 能根据自然语言需求生成符合 Unity 习惯的 C# 脚本。输入描述在 Claude Code 对话窗口中发送下面的需求在 Assets/Scripts/ 下创建一个名为 StealthDetection 的 C# 脚本。 功能要求 1. 挂在玩家角色上用于检测敌人是否能看到或听到玩家。 2. 暴露两个参数视野半径、视野角度。 3. 玩家在移动时产生噪音噪音半径可配置。 4. 敌人通过 IsPlayerDetected 方法查询检测结果。 5. 代码要能直接挂到任何敌人上使用检测目标通过 Tag 或 Layer 过滤。操作步骤发送需求后等待 Claude Code 生成文件然后检查代码是否符合 Unity API 规范最后在 Unity 编辑器中编译验证。预期结果Claude Code 会生成类似下面的代码。下面是一个参考版本具体的实现会因模型输出而不同。using UnityEngine; public class StealthDetection : MonoBehaviour { [Header(视野检测)] public float viewRadius 8f; public float viewAngle 60f; [Header(声音检测)] public float hearingRadius 5f; public string playerTag Player; public bool IsPlayerDetected() { Transform player FindPlayer(); if (player null) return false; Vector3 direction player.position - transform.position; float distance direction.magnitude; if (distance viewRadius) { float angle Vector3.Angle(transform.forward, direction); if (angle viewAngle * 0.5f) { return HasLineOfSight(player, distance); } } if (distance hearingRadius) { Rigidbody playerRb player.GetComponentRigidbody(); if (playerRb ! null playerRb.velocity.magnitude 0.2f) { return true; } } return false; } private Transform FindPlayer() { GameObject player GameObject.FindGameObjectWithTag(playerTag); return player ! null ? player.transform : null; } private bool HasLineOfSight(Transform target, float distance) { Vector3 direction target.position - transform.position; if (Physics.Raycast(transform.position Vector3.up, direction.normalized, out RaycastHit hit, distance)) { return hit.transform.CompareTag(playerTag); } return false; } private void OnDrawGizmosSelected() { Gizmos.color Color.yellow; Gizmos.DrawWireSphere(transform.position, viewRadius); Gizmos.color Color.cyan; Gizmos.DrawWireSphere(transform.position, hearingRadius); } }判断标准代码能通过 Unity 编译挂到测试敌人上后Game 视图的 Gizmos 能看到视野半径和听觉半径运行场景中玩家进入正面范围会被检测到。失败排查如果生成的脚本使用了不存在的 Unity API优先检查模型是否误用了旧版本 API把 Unity 版本号补充到提示词里重新生成。如果检测结果不准确检查 Layer 和 Tag 是否配置正确。5.2 让 Claude Code 设计 AI 行为状态机测试目的验证 Claude Code 能否生成包含巡逻、警戒、追击三种状态的 AI 行为系统。输入描述继续在 Claude Code 对话中发送在 Assets/Scripts/ 下创建一个名为 EnemyAI 的 C# 脚本实现一个简单的状态机 1. 有三种状态Patrol、Alert、Chase。 2. Patrol 状态下AI 沿指定路径点巡逻路径点用 Transform 数组暴露。 3. 当 StealthDetection 检测到玩家时进入 Alert 状态。 4. Alert 状态下 AI 转向玩家持续 2 秒后进入 Chase。 5. Chase 状态下 AI 向玩家移动当距离小于攻击距离时停止并注视玩家。 6. 通过 OnDrawGizmosSelected 绘制状态切换调试信息。操作步骤发送需求后检查代码结构将脚本挂载到测试物体配置巡逻路径点运行场景测试状态切换。预期结果生成的状态机代码逻辑完整能通过编译运行后 AI 在巡逻路线移动发现玩家后转为警戒再进入追击。参考实现using UnityEngine; public class EnemyAI : MonoBehaviour { public enum AIState { Patrol, Alert, Chase } [Header(状态)] public AIState currentState AIState.Patrol; [Header(巡逻)] public Transform[] patrolPoints; public float patrolSpeed 2f; private int currentPatrolIndex 0; [Header(警戒)] public float alertDuration 2f; private float alertTimer 0f; [Header(追击)] public float chaseSpeed 4f; public float attackDistance 1.5f; private StealthDetection detection; private Transform player; private void Start() { detection GetComponentStealthDetection(); GameObject playerObj GameObject.FindGameObjectWithTag(Player); if (playerObj ! null) player playerObj.transform; } private void Update() { switch (currentState) { case AIState.Patrol: UpdatePatrol(); break; case AIState.Alert: UpdateAlert(); break; case AIState.Chase: UpdateChase(); break; } } private void UpdatePatrol() { if (patrolPoints.Length 0) return; Transform targetPoint patrolPoints[currentPatrolIndex]; Vector3 targetPos targetPoint.position; transform.position Vector3.MoveTowards(transform.position, targetPos, patrolSpeed * Time.deltaTime); if (Vector3.Distance(transform.position, targetPos) 0.1f) { currentPatrolIndex (currentPatrolIndex 1) % patrolPoints.Length; } if (detection ! null detection.IsPlayerDetected()) { currentState AIState.Alert; alertTimer 0f; } } private void UpdateAlert() { alertTimer Time.deltaTime; if (player ! null) { Vector3 direction player.position - transform.position; direction.y 0f; if (direction ! Vector3.zero) { transform.rotation Quaternion.Slerp(transform.rotation, Quaternion.LookRotation(direction), 5f * Time.deltaTime); } } if (alertTimer alertDuration) { currentState AIState.Chase; } if (detection ! null !detection.IsPlayerDetected()) { currentState AIState.Patrol; } } private void UpdateChase() { if (player null) { currentState AIState.Patrol; return; } float distance Vector3.Distance(transform.position, player.position); if (distance attackDistance) { transform.position Vector3.MoveTowards(transform.position, player.position, chaseSpeed * Time.deltaTime); } else { Vector3 direction player.position - transform.position; direction.y 0f; transform.rotation Quaternion.Slerp(transform.rotation, Quaternion.LookRotation(direction), 5f * Time.deltaTime); } if (detection ! null !detection.IsPlayerDetected() distance viewRadius * 1.5f) { currentState AIState.Patrol; } } private void OnDrawGizmosSelected() { Gizmos.color currentState switch { AIState.Patrol Color.green, AIState.Alert Color.yellow, AIState.Chase Color.red, _ Color.gray }; Gizmos.DrawWireSphere(transform.position, 0.5f); } }先不用纠结代码是否完全符合你的玩法预期只要逻辑骨架正确、能编译、状态切换符合描述就算验证通过。5.3 MCP 连接 Unity 编辑器验证如果说上面两步只是普通的 AI 生成代码那么 MCP 连接才是这套工具链真正区别于“网页版 AI 聊天”的地方。测试目标是让 Claude Code 不通过人工复制粘贴直接操作 Unity 编辑器。测试目的确认 Claude Code 能读取 Unity 当前场景中的物体列表并创建一个新的空物体。操作步骤在 Claude Code 中发送使用 unity MCP 工具读取当前打开场景中的物体列表然后创建一个名为 AI_Generated 的空物体并给它添加 StealthDetection 脚本组件。预期结果Claude Code 返回场景物体清单并执行了创建操作。回到 Unity 编辑器Hierarchy 面板出现AI_Generated物体Inspector 上挂载了StealthDetection组件。判断标准整个过程不需要手动在 Unity 里操作组件能正常显示没有编译错误。失败排查如果 Claude Code 返回“工具未找到”先检查 MCP 服务是否在 Unity 编辑器中启动如果工具返回超时检查 Unity 主线程是否被其他操作阻塞。MCP 插件大多需要 Unity 编辑器处于可响应状态才能执行命令。5.4 集成测试让 AI 自己跑通一次流程以上的单独测试都通过后可以做一次集成测试让 Claude Code 读取当前场景为测试敌人配置巡逻点然后把EnemyAI组件挂上去并设置参数。这一步非常考验上下文窗口。请完成以下任务 1. 使用 MCP 工具读取当前场景。 2. 在场景中找到名为 Enemy 的物体。 3. 如果它没有 EnemyAI 组件就添加一个。 4. 在场景中找到名为 PatrolPointA 和 PatrolPointB 的两个物体把它们的 Transform 设置到 EnemyAI 的 patrolPoints 数组里。 5. 把 patrolSpeed 改为 3.5。执行后回到 Unity 编辑器运行游戏AI 应该在两个巡逻点之间移动。如果这一步能跑通说明 Claude Code 不只会“写脚本”它已经能完成“理解场景、修改组件、配置参数”的闭环。这是把 AI 智能代理真正接进游戏开发工作流的起点。6. 接口 API 与批量任务设计Claude Code 不只能交互式使用还能用 headless 参数做批量处理。6.1 使用 CLI 参数批量执行# 批量生成潜行检测脚本 claude -p 在 Assets/Scripts/ 下创建 StealthDetection.cs要求使用 Unity Physics.Raycast 做视线检测 # 批量改写脚本命名空间 claude -p 遍历 Assets/Scripts/ 下所有 .cs 文件为它们添加 namespace Game.AI 的包裹-p参数的含义是非交互式单次任务适合在 CI 脚本、命令行工具中调用。每行命令只执行一个明确任务不要在一个-p里塞多个复杂要求输出结果比较容易失控。6.2 面向批量的任务队列如果要处理几十个脚本不要一次性全扔给 Claude Code。建议用 shell 脚本按文件逐个处理并把每个文件的处理结果写入日志。#!/bin/bash # 批量处理示例读取 tasks.txt 中的提示词逐条调用 Claude Code while IFS read -r task; do echo 开始处理$task claude -p $task ./logs/claude_output_$(date %Y%m%d).log 21 if [ $? -eq 0 ]; then echo 成功 else echo 失败请检查任务内容 fi done tasks.txt批量任务的关键不是让 AI 一次写很多代码而是给每个任务都建立防错边界单个任务失败不影响后续任务日志能追溯到具体失败原因产出结果要经过人工或脚本检查后才能合入项目。6.3 通过 MCP 工具接口接入其他系统MCP 的价值在于工具标准化。你可以把 Unity MCP 和文件系统 MCP、Git MCP 组合使用让 Claude Code 在生成代码后自动执行下面的链路读取场景 → 判断需要修改的脚本 → 生成代码 → 写入文件 → 运行 Unity 编译命令 → 读回编译日志。这个链路不需要人类介入只要每个环节的工具权限可控就相当于搭了一条游戏开发的 AI 流水线。通用调用示例# 通过 MCP 工具接口调用 unity 服务的示例需要按实际 MCP 客户端库调整 import subprocess import json mcp_tool_call { server_name: unity, tool_name: create_object, arguments: { object_name: AI_Generated } } # 这里使用 Claude Code CLI 执行提示实际项目建议通过 SDK 连接 result subprocess.run( [claude, -p, 使用 unity MCP 工具创建名为 AI_Generated 的空物体], capture_outputTrue, textTrue, timeout120 ) print(result.stdout)这个示例展示的是思路不是某个已存在的固定 SDK 的完整接口。接入时你要先确认你使用的 MCP 客户端库提供了哪些方法。7. 资源占用与性能观察Claude Code 的资源占用分两块模型服务本身的成本以及 AI 代理在 Unity 开发流程中的持续运行成本。7.1 Token 消耗观察交互式会话中Claude Code 每次调用模型服务都要消耗 Token。它会把当前目录下的文件内容、MCP 工具返回的场景状态一起放进上下文。Unity 项目文件多、场景大上下文增长很快。如果你发现生成质量下降了或者响应越来越慢大概率是上下文太长这时应该清理会话只保留相关文件路径减少无关文件进入上下文。在提示词中主动限制搜索范围 “只读取 Assets/Scripts/StealthDetection.cs不要扫描整个项目。”7.2 API 成本控制云端 API 按 Token 计费批量任务更是要控制输入长度。实际使用中建议先区分“需要 AI 阅读上下文的任务”和“纯文本生成任务”。对于纯脚本生成claude -p的输入可以很短对于涉及场景的任务再允许 MCP 读取场景数据。这样能把 Token 消耗控制在一个可承受范围。7.3 Unity 编辑器负载MCP 插件在 Unity 编辑器里运行频繁调用会导致编辑器主线程卡顿尤其是在OnDrawGizmosSelected、SceneView刷新这类高频操作中。如果从 AI 生成脚本后Unity 出现明显卡顿优先检查脚本中是否有每帧昂贵的物理查询或者 Gizmos 绘制是否过于频繁。7.4 进程残留问题Claude Code 会话异常退出后有时会留下后台进程。在 Windows 上表现为 Node.js 进程占着终端在 macOS/Linux 上需要手动结束。遇到“端口被占用”“MCP 工具无法连接”时先检查是否有残留进程。# 查看 node 进程 ps aux | grep node8. 常见问题与排查方法问题现象可能原因排查方式解决方案Claude Code 启动后没有加载 MCP 工具MCP 服务器未启动或配置路径错误运行“列出 MCP 工具”指令查看 .mcp.json检查 Unity 编辑器是否打开插件是否启用修正配置路径生成的 C# 脚本无法编译Unity API 版本不匹配查看 Console 报错确认目标 Unity 版本在提示词中补充 Unity 版本重新生成场景物体列表读取失败场景未保存或 MCP 插件权限不足在 Unity 中保存场景并重试检查插件授权确认编辑器处于可操作状态Unity 编辑器卡顿脚本中存在高频 Gizmos 绘制Profile 编辑器检查调用频率优化代码关闭不必要的 Gizmos批量任务部分失败上下文过长或单任务复杂度太高查看日志文件定位失败任务拆分任务单次只处理一个明确动作API 调用超时模型服务负载高或输入过长查看网络与模型服务状态缩短上下文避免同会话堆积过多文件生成的代码不符合项目风格缺少风格约束检查代码中的命名、注释、命名空间在提示词中加入“沿用项目现有代码风格”进程残留导致端口冲突Claude Code 异常退出检查 Node 进程结束残留进程重新启动9. 最佳实践与使用建议9.1 建立一套可复用的提示词模板不要每次都用口语化提问把项目规范写进提示词模板。我的建议是在项目根目录放一个AGENTS.md文件Claude Code 会自动读取内容可以写清楚项目用的 Unity 版本、C# 版本、命名空间规范、代码注释要求、目录划分规则。这样每次生成代码都会自动遵循项目约束而不是靠记忆。# AGENTS.md 示例内容 项目AIDevLab Unity2022.3 LTS 语言C# 9.0 命名空间Game.AI 风格使用下划线命名私有字段组件属性使用 Header 分组9.2 先小参数测试再批量执行第一次使用任何新提示词都要先让它只生成一个脚本确认编译通过后再铺开。批量任务不是越多次越好宁可一次处理 5 个文件让 AI 有充足上下文也不要一次处理 20 个文件然后面对崩溃的日志。9.3 版本管理要前置AI 生成代码合入版本管理之前要用 Git 或 Unity 的 VCS 记录现场。给 Claude Code 的批量修改单独开分支所有 AI 生成内容统一放在独立目录方便回滚和审查。MCP 工具如果支持编辑器操作要特别小心因为 AI 修改场景文件后版本管理工具不一定能清晰展示场景中序列化对象的差异。9.4 合规与隐私边界代码与素材合规确认 AI 生成的代码不包含来源不明的抄袭片段特别是从公开仓库复制的算法实现。素材合规不要要求 AI 生成未经授权的角色、美术素材或音效素材。隐私边界涉及玩家信息、隐私数据的模块不要进入外部模型服务。部署边界批量任务执行前测试环境与生产环境必须隔离。9.5 构建 AI 智能代理工作流的关键点真正的 AI 智能代理工作流不只是用 Claude Code 写代码而是把“任务拆分 → 读取上下文 → 生成代码 → 自动测试 → 日志记录 → 人工审查”的链路固定下来。建议用一个文本文件管理任务清单让 AI 按清单顺序执行。比如todo.md里写接下来要做的事项是让 Claude Code 读取todo.md第一项任务完成后更新文件再执行第二项任务。这种方式虽然简单但非常可靠能让 AI 的每一步都有据可查也方便人工介入。10. 总结与下一步Unity Claude Code MCP 的这套组合最值得尝试的是让 AI 从“帮你写代码”升级为“替你在 Unity 项目里干活”。先用还原文案生成的 StealthDetection 脚本验证基础编程能力再用 MCP 工具读取场景、创建物体、挂载组件验证编辑器交互能力最后用 AI 行为状态机验证它能否处理带状态的游戏逻辑。三个功能跑通后你就拥有了一个能访问 Unity 编辑器、能批量执行任务、能记录日志的 AI 开发协作者。最容易踩的坑也集中在这几处一是上下文太大导致生成质量下降要主动限制文件范围二是 MCP 工具未启动导致 AI 看起来“失明”排错时先验证工具列表三是批量任务没有日志失败了也找不到原因务必给每次批量调用加上独立日志。下一步可以沿着三个方向继续一是把潜行机制扩展成完整的警觉值系统加入噪音衰减和视线遮挡修正二是给 EnemyAI 接入行为树插件用 Claude Code 生成行为树配置而不是手写状态机三是建立一个小型 CI 流程让 Claude Code 在每次 Unity 编译失败后自动读取错误日志并尝试修复。这套链路一旦跑通独立开发和小团队的玩法迭代速度会有非常明显的提升。建议先从一个测试项目开始把流程调顺了再引入正式项目。 Unity开发者AI工作流：Claude Code+MCP智能编程实战
Unity 开发者在 2025 年应该都刷到过 “AI 写代码” 的内容但真正落到 Unity 项目里能把编辑器、场景、C# 脚本和任务流打通的不多。这次我们来看一个可以实际投入生产的组合Unity Claude Code MCP。Claude Code 是 Anthropic 推出的命令行 AI 编程助手MCPModel Context Protocol是它和外部工具通信的标准协议。两者结合后你可以在 Unity 项目里直接让 Claude Code 读取场景、创建对象、修改组件、生成 C# 脚本甚至把“潜行机制”“敌人行为系统”这类玩法逻辑拆成任务清单让 AI 按工作流逐步完成。这篇文章会覆盖四块内容第一Claude Code 和 MCP 在 Unity 项目里到底怎么分工第二从环境准备到启动服务的完整流程第三用潜行检测、AI 行为状态机两个例子验证 AI 生成代码的效果第四把 Claude Code 接进批量任务和接口工作流让它从一个聊天助手变成可持续运行的开发代理。如果你关心本地部署、AI 辅助开发、Unity 脚本自动生成、行为树与状态机实现这篇文章可以直接收藏。先说结论这套组合不等于“输入需求就有完整游戏”它更接近一个能理解 Unity 项目结构、能高频修改代码、能调用编辑器的开发协作者。适合独立开发者、小团队快速验证玩法原型也适合有一定架构能力的人把重复的脚本工作交给 AI。下面从核心能力开始拆。1. 核心能力速览能力项说明项目类型AI 辅助游戏开发工具链基于 Claude Code MCP Unity主要功能生成/修改 C# 脚本、读取 Unity 场景、操作编辑器对象、管理任务清单、批量脚本生成硬件门槛取决于模型服务云端 API 时普通开发机能跑本地模型时按模型要求配置 GPU/内存启动方式命令行启动 Claude CodeUnity 编辑器加载 MCP 插件是否支持 API支持Claude Code 提供 headless CLI 参数调用也可通过 MCP 工具接口调用是否支持批量任务支持可通过脚本循环调用 CLI 或定义任务队列适合场景原型验证、Roguelike 小游戏、AI NPC 行为、潜行玩法、技能系统、批量生成配置数据不适合场景完全替代架构设计、上线前非经人工审查的大规模代码合并从表格能看出来这套工具链的重点不是“一键生成游戏”而是把游戏开发里大量可模板化、可检索、可测试的工作交给 AI 代理。潜行机制里的视野检测、声音感知、警戒条逻辑AI 行为系统里的巡逻/追击/搜索状态这类代码在不同项目里高度相似用 Claude Code 生成后再针对项目参数微调效率提升非常明显。需要强调一点Claude Code 的模型服务可以通过 Anthropic API 使用也可以对接经过兼容适配的本地推理服务。具体用哪种方式需要根据你的开发环境、数据隐私要求和成本预算决定。如果项目代码不能出内网就优先考虑本地模型方案如果只是做公开项目的玩法原型云端 API 的响应速度更快。没有统一答案本文按“Claude Code 本质上是一个命令行代理它通过 MCP 获取 Unity 上下文通过模型服务理解和生成代码”这个逻辑来展开。2. 适用场景与使用边界先说适合谁。第一种是独立游戏开发者一个人要兼顾策划、程序、美术、测试脚本生成和场景调整往往是最耗时的一环。第二种是三人以内的小型工作室需要快速做玩法原型验证比如潜行机制是否有趣、AI 巡逻逻辑是否自然这类需求用 Claude Code 缩短第一版实现时间非常划算。第三种是已经有稳定项目架构的中大型团队可以把 Claude Code 用来处理批量生成、配置表读取、UI 事件绑定、单元测试补充等重复劳动。能解决什么问题最直观的是降低“从想法到可运行脚本”的门槛。过去你要先翻 Unity API 文档确定用Physics.OverlapSphere还是Vector3.Angle再写检测逻辑然后反复调参数。现在你只需要用自然语言描述规则玩家走路会发出声音敌人在 5 米内能听到玩家在敌人正面 60 度、距离 8 米内会被发现。Claude Code 会结合 Unity 的 API 生成对应代码你再在编辑器和游戏视图中验证。不适合什么场景第一大型项目的公共框架层比如网络同步、存档系统、热更新框架这种代码对架构一致性要求极高AI 生成的版本只能作为参考不能直接合入主干。第二需要深度美术表现的内容比如动画状态机、Timeline 演出、材质泛光细节Claude Code 能写代码但无法替代美术直觉。第三上线前最后阶段的紧急修复此时必须由了解历史上下文的人类工程师负责。安全与合规边界必须前置说明。使用 AI 生成代码时要确认生成内容不违反第三方版权尤其是直接从素材商店或 GitHub 复制来的逻辑片段。对于潜行、AI 行为这类系统如果计划商用建议对代码进行代码扫描和人工审查。涉及玩家数据、用户隐私的模块不能把数据发给非私有化部署的 AI 服务。文章后续所有演示均建议在测试项目、本地环境完成不要直接在生产项目上跑未经审查的批量修改。3. Unity Claude Code 本地开发环境准备在进入真正操作前先把环境清单列清楚。下面是一套通用的前置条件每个版本号会随官方更新变化实际安装时以官网为准不要照抄固定版本。3.1 最小环境清单项目通用要求操作系统Windows 10/11、macOS 或主流 Linux 发行版Unity建议使用 Unity 2021 LTS 及以上版本2023 LTS 更稳Node.jsClaude Code CLI 基于 Node.js 运行时建议 Node 18 或更高Claude Code CLI通过 npm 全局安装命令名一般为claude模型服务Anthropic API Key或兼容的本地推理服务地址MCP 插件Unity 编辑器中安装支持 MCP 的第三方插件用于桥接编辑器与 Claude Code磁盘空间Unity 编辑器本身 10GB 以上项目另计3.2 为什么需要 MCPClaude Code 本身是一个命令行程序它能读取你的文件目录、运行命令、根据用户指令生成代码。但它默认不知道 Unity 编辑器里有哪些场景、哪些 GameObjects、哪个组件挂在哪个节点上。MCP 就是来补这个缺口的。Unity 编辑器里运行一个 MCP 服务端插件后这个插件会把编辑器状态暴露成一组工具比如“获取当前场景所有物体”“创建空物体”“给物体添加组件”“修改 SerializedField 值”。Claude Code 作为 MCP 客户端就可以在对话中直接调用这些工具。所以环境准备的核心是两件事让 Claude Code 跑起来让 Unity 的 MCP 服务端跑起来再把两者连通。3.3 检查清单# 检查 Node.js 版本 node -v npm -v # 检查 Unity 版本 # 打开 Unity Hub查看当前项目使用的 Editor 版本建议用 Unity Hub 创建一个全新的 3D 模板项目用于测试项目名可以是AIDevLab。后续所有 AI 生成的脚本都在这个测试项目里验证避免污染正式项目。4. 安装部署与启动方式4.1 安装 Claude Code CLIClaude Code 官方文档推荐的安装命令是通过 npm 全局安装。实际包名和命令随着版本演进可能调整下面给出常见写法执行时以官方文档为准# 全局安装 Claude Code CLI npm install -g anthropic-ai/claude-code # 验证安装 claude --version安装完成后需要登录或配置 API Key。通常在终端执行# 启动登录流程 claude login如果使用环境变量方式可以按需配置# 配置 API Key 的环境变量示例 export ANTHROPIC_API_KEY你的_API_Key如果你使用本地推理服务则需要把模型服务的 base_url 和相关参数配置到 Claude Code 支持的位置。具体字段名以对应适配器文档为准不要在不确定的情况下直接改默认配置。4.2 在 Unity 项目中启动 Claude Code进入你的 Unity 项目根目录也就是包含Assets文件夹的目录然后启动cd /path/to/UnityProject claude启动后你可以向 Claude Code 提问“这个项目的 Assets 目录下有哪些脚本”它会遍历文件并回答。建议第一次先让它总结项目结构确认它能正确读取目录再开始生成代码。4.3 配置 MCP 服务器MCP 的配置一般放在项目根目录的.mcp.json文件里。Unity MCP 插件的具体安装方式取决于社区实现但配置结构通常是声明服务器名称、启动命令和参数。下面是一个通用模板实际字段要根据你使用的 Unity MCP 插件文档调整{ mcpServers: { unity: { command: npx, args: [ unity-mcp-server, --project, /path/to/UnityProject ], env: {} } } }配置完成后在 Claude Code 对话里发送“列出当前可用的 MCP 工具”如果返回了 Unity 相关的工具列表就说明桥接成功。4.4 启动顺序建议推荐的启动顺序是先启动 Unity 编辑器并打开测试项目再启动 Unity MCP 插件最后在项目根目录运行claude。如果先启动 Claude Code 再打开 Unity部分插件可能无法注册工具需要在 Claude Code 里执行重新连接命令。从实操角度看这种顺序最不容易出现 “MCP 工具找不到” 的问题。5. 功能测试与效果验证这一节我们走一遍实际测试流程。测试目标有三个潜行检测逻辑、AI 行为状态机、MCP 编辑器操作。每个功能都按“测试目的、输入描述、操作步骤、预期结果、失败排查”来组织。5.1 用自然语言生成潜行检测脚本测试目的确认 Claude Code 能根据自然语言需求生成符合 Unity 习惯的 C# 脚本。输入描述在 Claude Code 对话窗口中发送下面的需求在 Assets/Scripts/ 下创建一个名为 StealthDetection 的 C# 脚本。 功能要求 1. 挂在玩家角色上用于检测敌人是否能看到或听到玩家。 2. 暴露两个参数视野半径、视野角度。 3. 玩家在移动时产生噪音噪音半径可配置。 4. 敌人通过 IsPlayerDetected 方法查询检测结果。 5. 代码要能直接挂到任何敌人上使用检测目标通过 Tag 或 Layer 过滤。操作步骤发送需求后等待 Claude Code 生成文件然后检查代码是否符合 Unity API 规范最后在 Unity 编辑器中编译验证。预期结果Claude Code 会生成类似下面的代码。下面是一个参考版本具体的实现会因模型输出而不同。using UnityEngine; public class StealthDetection : MonoBehaviour { [Header(视野检测)] public float viewRadius 8f; public float viewAngle 60f; [Header(声音检测)] public float hearingRadius 5f; public string playerTag Player; public bool IsPlayerDetected() { Transform player FindPlayer(); if (player null) return false; Vector3 direction player.position - transform.position; float distance direction.magnitude; if (distance viewRadius) { float angle Vector3.Angle(transform.forward, direction); if (angle viewAngle * 0.5f) { return HasLineOfSight(player, distance); } } if (distance hearingRadius) { Rigidbody playerRb player.GetComponentRigidbody(); if (playerRb ! null playerRb.velocity.magnitude 0.2f) { return true; } } return false; } private Transform FindPlayer() { GameObject player GameObject.FindGameObjectWithTag(playerTag); return player ! null ? player.transform : null; } private bool HasLineOfSight(Transform target, float distance) { Vector3 direction target.position - transform.position; if (Physics.Raycast(transform.position Vector3.up, direction.normalized, out RaycastHit hit, distance)) { return hit.transform.CompareTag(playerTag); } return false; } private void OnDrawGizmosSelected() { Gizmos.color Color.yellow; Gizmos.DrawWireSphere(transform.position, viewRadius); Gizmos.color Color.cyan; Gizmos.DrawWireSphere(transform.position, hearingRadius); } }判断标准代码能通过 Unity 编译挂到测试敌人上后Game 视图的 Gizmos 能看到视野半径和听觉半径运行场景中玩家进入正面范围会被检测到。失败排查如果生成的脚本使用了不存在的 Unity API优先检查模型是否误用了旧版本 API把 Unity 版本号补充到提示词里重新生成。如果检测结果不准确检查 Layer 和 Tag 是否配置正确。5.2 让 Claude Code 设计 AI 行为状态机测试目的验证 Claude Code 能否生成包含巡逻、警戒、追击三种状态的 AI 行为系统。输入描述继续在 Claude Code 对话中发送在 Assets/Scripts/ 下创建一个名为 EnemyAI 的 C# 脚本实现一个简单的状态机 1. 有三种状态Patrol、Alert、Chase。 2. Patrol 状态下AI 沿指定路径点巡逻路径点用 Transform 数组暴露。 3. 当 StealthDetection 检测到玩家时进入 Alert 状态。 4. Alert 状态下 AI 转向玩家持续 2 秒后进入 Chase。 5. Chase 状态下 AI 向玩家移动当距离小于攻击距离时停止并注视玩家。 6. 通过 OnDrawGizmosSelected 绘制状态切换调试信息。操作步骤发送需求后检查代码结构将脚本挂载到测试物体配置巡逻路径点运行场景测试状态切换。预期结果生成的状态机代码逻辑完整能通过编译运行后 AI 在巡逻路线移动发现玩家后转为警戒再进入追击。参考实现using UnityEngine; public class EnemyAI : MonoBehaviour { public enum AIState { Patrol, Alert, Chase } [Header(状态)] public AIState currentState AIState.Patrol; [Header(巡逻)] public Transform[] patrolPoints; public float patrolSpeed 2f; private int currentPatrolIndex 0; [Header(警戒)] public float alertDuration 2f; private float alertTimer 0f; [Header(追击)] public float chaseSpeed 4f; public float attackDistance 1.5f; private StealthDetection detection; private Transform player; private void Start() { detection GetComponentStealthDetection(); GameObject playerObj GameObject.FindGameObjectWithTag(Player); if (playerObj ! null) player playerObj.transform; } private void Update() { switch (currentState) { case AIState.Patrol: UpdatePatrol(); break; case AIState.Alert: UpdateAlert(); break; case AIState.Chase: UpdateChase(); break; } } private void UpdatePatrol() { if (patrolPoints.Length 0) return; Transform targetPoint patrolPoints[currentPatrolIndex]; Vector3 targetPos targetPoint.position; transform.position Vector3.MoveTowards(transform.position, targetPos, patrolSpeed * Time.deltaTime); if (Vector3.Distance(transform.position, targetPos) 0.1f) { currentPatrolIndex (currentPatrolIndex 1) % patrolPoints.Length; } if (detection ! null detection.IsPlayerDetected()) { currentState AIState.Alert; alertTimer 0f; } } private void UpdateAlert() { alertTimer Time.deltaTime; if (player ! null) { Vector3 direction player.position - transform.position; direction.y 0f; if (direction ! Vector3.zero) { transform.rotation Quaternion.Slerp(transform.rotation, Quaternion.LookRotation(direction), 5f * Time.deltaTime); } } if (alertTimer alertDuration) { currentState AIState.Chase; } if (detection ! null !detection.IsPlayerDetected()) { currentState AIState.Patrol; } } private void UpdateChase() { if (player null) { currentState AIState.Patrol; return; } float distance Vector3.Distance(transform.position, player.position); if (distance attackDistance) { transform.position Vector3.MoveTowards(transform.position, player.position, chaseSpeed * Time.deltaTime); } else { Vector3 direction player.position - transform.position; direction.y 0f; transform.rotation Quaternion.Slerp(transform.rotation, Quaternion.LookRotation(direction), 5f * Time.deltaTime); } if (detection ! null !detection.IsPlayerDetected() distance viewRadius * 1.5f) { currentState AIState.Patrol; } } private void OnDrawGizmosSelected() { Gizmos.color currentState switch { AIState.Patrol Color.green, AIState.Alert Color.yellow, AIState.Chase Color.red, _ Color.gray }; Gizmos.DrawWireSphere(transform.position, 0.5f); } }先不用纠结代码是否完全符合你的玩法预期只要逻辑骨架正确、能编译、状态切换符合描述就算验证通过。5.3 MCP 连接 Unity 编辑器验证如果说上面两步只是普通的 AI 生成代码那么 MCP 连接才是这套工具链真正区别于“网页版 AI 聊天”的地方。测试目标是让 Claude Code 不通过人工复制粘贴直接操作 Unity 编辑器。测试目的确认 Claude Code 能读取 Unity 当前场景中的物体列表并创建一个新的空物体。操作步骤在 Claude Code 中发送使用 unity MCP 工具读取当前打开场景中的物体列表然后创建一个名为 AI_Generated 的空物体并给它添加 StealthDetection 脚本组件。预期结果Claude Code 返回场景物体清单并执行了创建操作。回到 Unity 编辑器Hierarchy 面板出现AI_Generated物体Inspector 上挂载了StealthDetection组件。判断标准整个过程不需要手动在 Unity 里操作组件能正常显示没有编译错误。失败排查如果 Claude Code 返回“工具未找到”先检查 MCP 服务是否在 Unity 编辑器中启动如果工具返回超时检查 Unity 主线程是否被其他操作阻塞。MCP 插件大多需要 Unity 编辑器处于可响应状态才能执行命令。5.4 集成测试让 AI 自己跑通一次流程以上的单独测试都通过后可以做一次集成测试让 Claude Code 读取当前场景为测试敌人配置巡逻点然后把EnemyAI组件挂上去并设置参数。这一步非常考验上下文窗口。请完成以下任务 1. 使用 MCP 工具读取当前场景。 2. 在场景中找到名为 Enemy 的物体。 3. 如果它没有 EnemyAI 组件就添加一个。 4. 在场景中找到名为 PatrolPointA 和 PatrolPointB 的两个物体把它们的 Transform 设置到 EnemyAI 的 patrolPoints 数组里。 5. 把 patrolSpeed 改为 3.5。执行后回到 Unity 编辑器运行游戏AI 应该在两个巡逻点之间移动。如果这一步能跑通说明 Claude Code 不只会“写脚本”它已经能完成“理解场景、修改组件、配置参数”的闭环。这是把 AI 智能代理真正接进游戏开发工作流的起点。6. 接口 API 与批量任务设计Claude Code 不只能交互式使用还能用 headless 参数做批量处理。6.1 使用 CLI 参数批量执行# 批量生成潜行检测脚本 claude -p 在 Assets/Scripts/ 下创建 StealthDetection.cs要求使用 Unity Physics.Raycast 做视线检测 # 批量改写脚本命名空间 claude -p 遍历 Assets/Scripts/ 下所有 .cs 文件为它们添加 namespace Game.AI 的包裹-p参数的含义是非交互式单次任务适合在 CI 脚本、命令行工具中调用。每行命令只执行一个明确任务不要在一个-p里塞多个复杂要求输出结果比较容易失控。6.2 面向批量的任务队列如果要处理几十个脚本不要一次性全扔给 Claude Code。建议用 shell 脚本按文件逐个处理并把每个文件的处理结果写入日志。#!/bin/bash # 批量处理示例读取 tasks.txt 中的提示词逐条调用 Claude Code while IFS read -r task; do echo 开始处理$task claude -p $task ./logs/claude_output_$(date %Y%m%d).log 21 if [ $? -eq 0 ]; then echo 成功 else echo 失败请检查任务内容 fi done tasks.txt批量任务的关键不是让 AI 一次写很多代码而是给每个任务都建立防错边界单个任务失败不影响后续任务日志能追溯到具体失败原因产出结果要经过人工或脚本检查后才能合入项目。6.3 通过 MCP 工具接口接入其他系统MCP 的价值在于工具标准化。你可以把 Unity MCP 和文件系统 MCP、Git MCP 组合使用让 Claude Code 在生成代码后自动执行下面的链路读取场景 → 判断需要修改的脚本 → 生成代码 → 写入文件 → 运行 Unity 编译命令 → 读回编译日志。这个链路不需要人类介入只要每个环节的工具权限可控就相当于搭了一条游戏开发的 AI 流水线。通用调用示例# 通过 MCP 工具接口调用 unity 服务的示例需要按实际 MCP 客户端库调整 import subprocess import json mcp_tool_call { server_name: unity, tool_name: create_object, arguments: { object_name: AI_Generated } } # 这里使用 Claude Code CLI 执行提示实际项目建议通过 SDK 连接 result subprocess.run( [claude, -p, 使用 unity MCP 工具创建名为 AI_Generated 的空物体], capture_outputTrue, textTrue, timeout120 ) print(result.stdout)这个示例展示的是思路不是某个已存在的固定 SDK 的完整接口。接入时你要先确认你使用的 MCP 客户端库提供了哪些方法。7. 资源占用与性能观察Claude Code 的资源占用分两块模型服务本身的成本以及 AI 代理在 Unity 开发流程中的持续运行成本。7.1 Token 消耗观察交互式会话中Claude Code 每次调用模型服务都要消耗 Token。它会把当前目录下的文件内容、MCP 工具返回的场景状态一起放进上下文。Unity 项目文件多、场景大上下文增长很快。如果你发现生成质量下降了或者响应越来越慢大概率是上下文太长这时应该清理会话只保留相关文件路径减少无关文件进入上下文。在提示词中主动限制搜索范围 “只读取 Assets/Scripts/StealthDetection.cs不要扫描整个项目。”7.2 API 成本控制云端 API 按 Token 计费批量任务更是要控制输入长度。实际使用中建议先区分“需要 AI 阅读上下文的任务”和“纯文本生成任务”。对于纯脚本生成claude -p的输入可以很短对于涉及场景的任务再允许 MCP 读取场景数据。这样能把 Token 消耗控制在一个可承受范围。7.3 Unity 编辑器负载MCP 插件在 Unity 编辑器里运行频繁调用会导致编辑器主线程卡顿尤其是在OnDrawGizmosSelected、SceneView刷新这类高频操作中。如果从 AI 生成脚本后Unity 出现明显卡顿优先检查脚本中是否有每帧昂贵的物理查询或者 Gizmos 绘制是否过于频繁。7.4 进程残留问题Claude Code 会话异常退出后有时会留下后台进程。在 Windows 上表现为 Node.js 进程占着终端在 macOS/Linux 上需要手动结束。遇到“端口被占用”“MCP 工具无法连接”时先检查是否有残留进程。# 查看 node 进程 ps aux | grep node8. 常见问题与排查方法问题现象可能原因排查方式解决方案Claude Code 启动后没有加载 MCP 工具MCP 服务器未启动或配置路径错误运行“列出 MCP 工具”指令查看 .mcp.json检查 Unity 编辑器是否打开插件是否启用修正配置路径生成的 C# 脚本无法编译Unity API 版本不匹配查看 Console 报错确认目标 Unity 版本在提示词中补充 Unity 版本重新生成场景物体列表读取失败场景未保存或 MCP 插件权限不足在 Unity 中保存场景并重试检查插件授权确认编辑器处于可操作状态Unity 编辑器卡顿脚本中存在高频 Gizmos 绘制Profile 编辑器检查调用频率优化代码关闭不必要的 Gizmos批量任务部分失败上下文过长或单任务复杂度太高查看日志文件定位失败任务拆分任务单次只处理一个明确动作API 调用超时模型服务负载高或输入过长查看网络与模型服务状态缩短上下文避免同会话堆积过多文件生成的代码不符合项目风格缺少风格约束检查代码中的命名、注释、命名空间在提示词中加入“沿用项目现有代码风格”进程残留导致端口冲突Claude Code 异常退出检查 Node 进程结束残留进程重新启动9. 最佳实践与使用建议9.1 建立一套可复用的提示词模板不要每次都用口语化提问把项目规范写进提示词模板。我的建议是在项目根目录放一个AGENTS.md文件Claude Code 会自动读取内容可以写清楚项目用的 Unity 版本、C# 版本、命名空间规范、代码注释要求、目录划分规则。这样每次生成代码都会自动遵循项目约束而不是靠记忆。# AGENTS.md 示例内容 项目AIDevLab Unity2022.3 LTS 语言C# 9.0 命名空间Game.AI 风格使用下划线命名私有字段组件属性使用 Header 分组9.2 先小参数测试再批量执行第一次使用任何新提示词都要先让它只生成一个脚本确认编译通过后再铺开。批量任务不是越多次越好宁可一次处理 5 个文件让 AI 有充足上下文也不要一次处理 20 个文件然后面对崩溃的日志。9.3 版本管理要前置AI 生成代码合入版本管理之前要用 Git 或 Unity 的 VCS 记录现场。给 Claude Code 的批量修改单独开分支所有 AI 生成内容统一放在独立目录方便回滚和审查。MCP 工具如果支持编辑器操作要特别小心因为 AI 修改场景文件后版本管理工具不一定能清晰展示场景中序列化对象的差异。9.4 合规与隐私边界代码与素材合规确认 AI 生成的代码不包含来源不明的抄袭片段特别是从公开仓库复制的算法实现。素材合规不要要求 AI 生成未经授权的角色、美术素材或音效素材。隐私边界涉及玩家信息、隐私数据的模块不要进入外部模型服务。部署边界批量任务执行前测试环境与生产环境必须隔离。9.5 构建 AI 智能代理工作流的关键点真正的 AI 智能代理工作流不只是用 Claude Code 写代码而是把“任务拆分 → 读取上下文 → 生成代码 → 自动测试 → 日志记录 → 人工审查”的链路固定下来。建议用一个文本文件管理任务清单让 AI 按清单顺序执行。比如todo.md里写接下来要做的事项是让 Claude Code 读取todo.md第一项任务完成后更新文件再执行第二项任务。这种方式虽然简单但非常可靠能让 AI 的每一步都有据可查也方便人工介入。10. 总结与下一步Unity Claude Code MCP 的这套组合最值得尝试的是让 AI 从“帮你写代码”升级为“替你在 Unity 项目里干活”。先用还原文案生成的 StealthDetection 脚本验证基础编程能力再用 MCP 工具读取场景、创建物体、挂载组件验证编辑器交互能力最后用 AI 行为状态机验证它能否处理带状态的游戏逻辑。三个功能跑通后你就拥有了一个能访问 Unity 编辑器、能批量执行任务、能记录日志的 AI 开发协作者。最容易踩的坑也集中在这几处一是上下文太大导致生成质量下降要主动限制文件范围二是 MCP 工具未启动导致 AI 看起来“失明”排错时先验证工具列表三是批量任务没有日志失败了也找不到原因务必给每次批量调用加上独立日志。下一步可以沿着三个方向继续一是把潜行机制扩展成完整的警觉值系统加入噪音衰减和视线遮挡修正二是给 EnemyAI 接入行为树插件用 Claude Code 生成行为树配置而不是手写状态机三是建立一个小型 CI 流程让 Claude Code 在每次 Unity 编译失败后自动读取错误日志并尝试修复。这套链路一旦跑通独立开发和小团队的玩法迭代速度会有非常明显的提升。建议先从一个测试项目开始把流程调顺了再引入正式项目。