先让大模型单独干一次，看它交出什么
模拟示例：玩家在乐鱼体育输入“雨夜城市里的卡丁车比赛，8辆车跑3圈，第三弯是一个很急的发夹弯，下雨路面更滑”。只把这句话交给一个文字大模型，它通常会交出一份质量不错的设计文档：赛道全长约1.2公里，12个弯，第三弯为180度发夹弯；起跑采用两列四排；雨天抓地力下降20%；第一名获得10分，依次递减；AI对手分为激进、稳健、新手三种性格。
这份文档在意图和规则层面几乎没有问题。但问几个具体问题，它就答不上来了：第三弯的弯心在哪个坐标，入弯前的直道有多长；抓地力下降20%对一辆时速60公里的卡丁车意味着刹车距离增加多少；8辆车在发夹弯里挤在一起时，谁会被撞出赛道；第2圈如果有车卡在墙角，比赛还能不能结束。
这不是大模型“不够聪明”，而是这些问题本来就不属于文字能回答的范围：文字能描述“很急的发夹弯”，但不能保证它在三维空间里真的开得过去。
五个模块，各管一段
一个可以玩的卡丁车比赛至少需要下面这些模块，分工不清，所有问题都会被推回给大模型：
| 模块 | 负责的内容 | 在卡丁车示例里具体做什么 |
|---|---|---|
| LLM | Prompt、规则、意图、设计 | 理解“雨夜”“发夹弯”，起草积分规则和对手性格 |
| 空间模型 | 地图、位置、场景 | 生成赛道中线、弯道半径、路肩、起跑格和检查点坐标 |
| 物理系统 | 碰撞、运动、球、车辆 | 计算轮胎抓地、刹车距离、车辆碰撞和出界 |
| AI Agent | 对手、NPC、测试 | 驾驶7辆对手车，扮演赛道工作人员，替玩家试跑 |
| Runtime | 真正运行游戏 | 每一帧读取输入、推进物理、执行规则、渲染画面 |
还有三类能力贯穿其中：规则引擎把LLM起草的规则变成可执行的判定；资源生成负责车辆模型、雨夜贴图、路灯和音效；模拟与测试负责在玩家打开之前，先把比赛跑很多遍。
LLM交给下游的，应该是结构化数据而不是段落
大模型最有价值的位置，是把自然语言翻译成各模块能读的结构。示例里，它交给空间模型的不应是“很急的发夹弯”，而是一条约束：第三个弯道转角约180度，最小半径在某个范围内，入弯前直道长度不少于某个值。交给规则引擎的是：每圈必须按顺序经过全部检查点，完成3圈者按冲线顺序排名，最后一名冲线后等待若干秒结束比赛。交给物理系统的只是一个参数请求：路面状态为湿滑，由物理系统查自己的材质表决定具体抓地系数。
分寸在于：大模型可以提出“雨天更滑”，但不应写死“抓地力下降20%”。这个数字要由物理系统在可调范围内确定，再由测试验证，否则很容易出现文档里合理、赛道上却让所有车冲出发夹弯的参数。
公开资料里，Roblox在2026年介绍其4D生成时提到，生成能开的车、能飞的飞机这类可交互物体，要用schema把物体拆成部件并绑定脚本。这和上面的思路一致：生成的产物必须落到有结构的数据和可执行的逻辑上，而不只是外形。
空间模型和物理系统，决定这条赛道能不能开
空间模型拿到约束后，生成的是一组几何和语义数据：赛道中线、左右边界、路肩、墙体、8个起跑格、每个检查点的位置和朝向。它要保证的东西，大模型无法用文字保证：赛道首尾相接成闭环；任何两段赛道不会意外重叠；起跑格朝向与行驶方向一致；检查点不会放在车辆无法经过的位置。
物理系统接着回答“开起来怎样”。假设空间模型把第三弯前的直道生成为150米（模拟参数），卡丁车在直道末端接近最高速，湿滑路面下的刹车距离如果超过了可用的减速区，这个弯就会变成几乎所有车都冲出去的地方。这时要么空间模型缩短直道、放大弯道半径，要么物理系统调整湿地抓地参数。选哪一个取决于玩家要的是“难而能过”还是“真实而残酷”，这又回到LLM对意图的理解。
AI Agent和Runtime，决定比赛能不能跑完
7辆AI对手车需要知道赛道走线、刹车点和超车窗口，这些都要从空间和物理数据里算出来，而不是从“激进性格”这四个字里猜出来。激进的AI可以刹车更晚、更愿意在发夹弯内线超车，但它的刹车点仍然要在物理上可行，否则玩家看到的不是激进，而是每圈冲出赛道的失控。
Runtime把一切跑起来：每一帧读取玩家的方向盘或手柄输入，交给物理系统推进车辆，交给规则引擎检查是否经过检查点，交给AI Agent做下一步决策，再把结果渲染出来。公开资料显示，Genie 3这类世界模型可以直接从文本生成可实时导航的画面，但官方也列出了动作空间有限、多智能体交互弱、一致性仅维持数分钟等局限。一场8辆车的计分比赛需要精确的检查点判定和排名，仍然需要一个确定性的Runtime来保证每次运行结果可复现。
模拟与测试：在玩家之前先开一百圈
生成完成后，自动游戏测试的Agent先替玩家跑几十场。示例里可能发现的问题包括（模拟示例）：第三弯出口的路肩碰撞体太高，冲出去的车卡住无法倒回赛道；第2圈的一个检查点朝向反了，所有车经过都不计数，导致比赛永远无法结束；新手性格的AI在湿地上平均单圈比玩家慢很多，完全没有竞争感。
每个问题都要回到对应模块修改：路肩回到空间模型，检查点回到空间模型和规则引擎，AI速度回到AI Agent的参数。完整链路可以看下一代体育游戏引擎那篇从Prompt到Playable Build的全流程。
判断一个产品是不是只靠大模型撑着，问这五个问题
乐鱼体育在设计AI引擎时，把下面五个问题当作自检标准。玩家在试用任何“一句话生成体育游戏”的工具时，也可以拿来问：
- 生成的赛道或球场，能不能导出坐标和尺寸，而不只是一张图？
- 物理参数是由物理系统在范围内确定，还是由大模型直接写一个数字？
- 比分、排名、结束条件是否由独立的规则引擎判定？
- AI对手的刹车点、跑位是从地图和物理数据算出来的，还是凭性格描述生成的？
- 发布之前，有没有测试Agent实际跑过完整的一场，并能指出问题出在哪个模块？
有三个答不上来，它生成的多半是一份漂亮的设计文档，而不是一场可以玩的比赛。
