本地AI从零生成3D网页FPS：Qwen模型与DSH智能体实战

0 阅读

为什么选择本地AI做游戏开发

想做一个能跑的3D第一人称射击游戏（FPS），传统路径并不轻松。你需要处理Three.js的场景渲染、物理碰撞、玩家输入映射，还要写敌人AI和状态管理。对于非专业前端或游戏开发者来说，光是配置Webpack或Vite环境就可能劝退一半人。

现在的思路变了：不再要求你手写每一行代码，而是让AI充当“初级程序员”，你担任“技术主管”。核心工具链包括本地运行的大语言模型（LLM）和能够操作文件系统的AI智能体（Agent）。

这种模式的优势在于隐私安全和可控性。所有代码生成都在本地完成，无需将项目源码上传至云端API。同时，通过分模块迭代，可以避免一次性生成大量代码导致的逻辑混乱和幻觉问题。

本文将复现一套基于 Qwen3.8-27B 模型与 DeepSeek Harness (DSH) 的开发流程，从环境搭建到最终通过内网穿透分享给朋友试玩，全程无需编写复杂代码，但需要理解基本的开发逻辑。

硬件与软件准备

本地运行27B参数量的模型对硬件有一定门槛。显存是瓶颈，推理速度取决于显卡性能。

硬件建议

  • 推荐配置：NVIDIA RTX 3090/4090 或同等算力显卡，显存24GB及以上。这能保证模型加载后仍有足够显存处理上下文，推理流畅。
  • 最低配置：16GB显存显卡。可以运行，但可能需要使用量化版本（如IQ4_XS），且生成速度较慢，部分运算会溢出到系统内存。
  • 不可行配置：显存低于16GB。极易出现OOM（显存溢出）错误，导致模型加载失败或频繁崩溃。

软件清单

在开始之前，请确保安装以下基础工具：

  1. Node.js (LTS版)：DeepSeek Harness 和后续的游戏服务都依赖Node环境。务必选择长期支持版（LTS），避免使用最新测试版，以防兼容性问题。
  2. Git：用于版本控制和依赖管理，DSH在读写项目文件时需要调用Git命令。
  3. LM Studio：用于本地加载和运行Qwen模型，并提供标准的OpenAI兼容API接口。
  4. DeepSeek Harness (DSH)：核心智能体工具，能够读取项目目录、编写代码、执行终端命令并自动修复报错。
  5. VS Code（可选）：用于查看和微调AI生成的代码，虽然DSH可以自动修改，但人工审查有助于理解项目结构。

搭建本地开发环境

安装基础运行时

首先安装 Node.js。访问官网下载LTS安装包，安装过程中务必勾选“Add to PATH”选项，以便在命令行中直接调用。安装完成后，重启命令行窗口，输入 node -v 和 npm -v，若显示版本号则安装成功。

接着安装 Git。下载Windows版安装包，保持默认设置一路下一步即可。在命令行输入 git --version 验证安装。

部署本地大模型

LM Studio 是目前最易用的本地模型运行工具之一。访问其官网下载安装包，安装过程无特殊选项。

启动 LM Studio 后，在搜索栏输入 Qwen3.8-27B。建议选择 IQ4_XS 或 Q4_K_M 等量化版本，它们在保持较高智能水平的同时，显著降低显存占用。下载完成后，在右侧聊天界面加载该模型。

关键步骤是开启本地API服务。点击左侧“Local Server”标签，确保服务器处于运行状态，默认端口通常为 1234。此时，任何支持 OpenAI 格式的程序都可以通过 http://127.0.0.1:1234/v1 访问这个本地模型。

配置 DeepSeek Harness

DSH 是一个命令行驱动的智能体，但它提供了一个 Web UI 方便配置。以管理员身份打开 PowerShell，执行以下命令启动：

npx @deepseek-ai/dsh web

首次运行会提示安装，输入 y 确认。启动成功后，终端会显示一个本地地址（通常是 http://localhost:xxxx），在浏览器中打开该地址进入 DSH 的管理界面。

在 DSH 界面中，我们需要配置模型提供方。点击“Settings” -> “Models”，添加一个新的自定义Provider：

  • Provider ID：填写 local 作为标识。
  • Display Name：例如 Qwen-Local。
  • API Base URL：填入 LM Studio 的地址 http://127.0.0.1:1234/v1。
  • API Key：由于是本地服务，可以随意填写一串字符，或者留空（视DSH版本要求而定）。
  • Model Name：手动添加模型名称，需与 LM Studio 中加载的模型ID一致，例如 qwen3-27b-iq4_xs。

保存配置后，在对话界面选择该模型，发送一条测试消息如“Hello”，若能收到回复，说明链路已打通。

分阶段构建FPS游戏

直接让AI“写一个FPS游戏”通常会得到一堆无法运行的碎片代码。正确的做法是拆解任务，采用“极简主程序+独立模块”的策略，分轮次推进。

第一步：初始化项目框架

在电脑上新建一个纯英文路径的文件夹（避免中文和空格），作为项目根目录。在 DSH 中绑定该目录。

发送第一条指令：

基于 Three.js 搭建一个极简的3D网页游戏框架。创建 index.html 和 main.js，初始化场景、相机和渲染器，添加一个简单的地面平面和光源。确保项目可以通过 npm start 或 live-server 正常运行并在浏览器中显示3D场景。

DSH 会自动创建文件结构，安装 three.js 依赖，并生成基础代码。此时你可以在浏览器中看到一个大平面和天空背景。

第二步：实现玩家控制

有了场景，接下来需要让玩家动起来。发送指令：

添加第一人称控制器。实现 WASD 键移动，鼠标移动控制视角旋转，空格键跳跃。请使用 PointerLockControls 或类似方案，确保鼠标指针被锁定在游戏画面中。优化移动手感，增加惯性阻尼，修复视角卡顿问题。

AI 会修改 main.js，引入控制逻辑。测试时注意检查跳跃是否穿模，移动是否平滑。如果有bug，直接将报错信息或异常现象反馈给 DSH，它会自动定位并修复代码。

第三步：核心射击机制

现在玩家可以在场景中跑动，接下来添加射击功能：

实现射击系统。监听鼠标左键点击事件，从相机中心发射射线（Raycaster）检测碰撞。生成子弹轨迹视觉效果，添加简单的射击音效。当射线击中地面或物体时，显示击中标记。

这一步涉及交互逻辑。AI 会编写射线检测代码，并可能创建一个简单的子弹几何体作为视觉反馈。确保击中判定准确，没有延迟。

第四步：敌人AI与游戏循环

静态场景缺乏挑战，需要加入敌人：

添加简易敌人AI。生成几个立方体作为敌人，它们会缓慢向玩家位置移动。添加血量系统，玩家射击击中敌人后减少其血量，血量归零时敌人消失并计分。添加玩家血量，被敌人接触时扣除玩家血量，归零后游戏结束并重置。

这里引入了游戏状态管理。AI 需要维护敌人数组、玩家状态和计分板。测试时观察敌人寻路是否合理，碰撞检测是否生效。

第五步：场景细化与氛围营造

基础玩法跑通后，可以提升视觉效果。例如构建一个具体的场景主题：

重构场景为“镰仓高校前电车站”。使用代码生成简单的电车模型、站台和远处的大海背景。调整光照为黄昏色调，添加体积云效果。保持代码模块化，不要将所有几何体生成逻辑堆砌在主循环中。

这一步考验 AI 的空间想象力和代码组织能力。通过分块生成模型，可以避免单次生成代码过长导致的截断。你可以要求 AI 参考特定图片的配色，虽然它不能直接“看”图，但可以依据描述调整材质颜色。

第六步：细节打磨

最后添加提升沉浸感的细节：

增加射击反馈。玩家开枪时枪械模型产生后坐力动画，子弹飞行保留短暂轨迹。敌人身上显示血条。添加环境音效，如海浪声和电车经过的声音。

至此，一个具备基本可玩性的3D FPS原型就完成了。整个过程中，你主要在做需求拆解和测试验证，具体代码实现由 DSH 调用本地 Qwen 模型完成。

内网穿透与分享

游戏在本地 localhost:3000 运行，朋友无法直接访问。为了让其他人也能体验，需要使用内网穿透工具将本地服务映射到公网。

安装 cpolar

cpolar 是一款常用的内网穿透工具。在Linux或WSL环境中，可以通过一键脚本安装：

sudo curl https://get.cpolar.sh | sh

Windows用户可以直接下载客户端安装。安装完成后，启动服务并登录账号。

配置隧道

登录 cpolar Web 管理界面（通常为 http://localhost:9200）。点击“隧道管理” -> “创建隧道”：

  • 隧道名称：自定义，如 fps-game。
  • 协议：选择 http。
  • 本地地址：填写游戏运行的端口，如 3000。
  • 域名类型：初期可选择“随机域名”进行测试。

创建成功后，cpolar 会分配一个公网地址。将该地址发送给朋友，他们即可在浏览器中直接访问你的游戏。

固定域名（可选）

随机域名每次重启都会变化，不适合长期分享。在 cpolar 控制台预留一个二级子域名（如 myfps.cpolar.cn），然后在隧道配置中将域名类型改为“二级子域名”，填入预留的名称。更新后，你将获得一个固定的访问地址。

总结与展望

通过这套流程，我们验证了“本地LLM + 智能体”在游戏原型开发中的可行性。Qwen3.8-27B 提供了足够的代码生成能力，DSH 解决了代码落地和执行的问题，而分阶段指令策略则规避了当前AI在处理长上下文复杂任务时的局限性。

这种模式并非要取代专业游戏引擎（如Unity或Unreal），而是在快速原型验证、教育学习或小型Web游戏开发场景下，提供了一条低门槛的路径。未来，随着模型上下文窗口的扩大和多模态能力的增强，AI或许能直接根据概念图生成完整的3D资产，进一步缩短从创意到成品的距离。

对于开发者而言，掌握如何向AI清晰表达需求、如何拆解复杂任务，比记忆具体的API语法变得更为重要。