企业官网建设流程全解析

很多做游戏的同学看到“A tycoon game where you run an AI company”这个构思，第一反应往往是：换皮。把“采矿”换成“训练模型”，把“工厂流水线”换成“数据中心”，再改一遍 UI，好像就能交差了。但真正动手设计之后你会发现，这个判断只对了一半。

AI 公司模拟经营游戏吸引人的地方，不完全在于“搞钱”，而在于它把算力、数据、模型质量、人才、产品上线、市场口碑这些要素拧成了一个非常特殊的资源循环。玩家不是在堆数值，而是在经营一家“持续训练模型并对外提供 AI 服务”的公司。它的成本结构、研发周期、收入方式，和传统经营游戏完全不同。

这篇文章会从一个可落地的原型出发，拆解 AI 公司模拟经营游戏的核心玩法循环、数值模型、系统分层，并给出一套基于 Python 的模拟核心实现。你可以把它看作一篇“AI 公司 Tycoon 游戏的数值与技术设计笔记”。读完以后，即使你暂时不写游戏，也能用这套思路快速验证一个模拟经营玩法的可行性。

1. 这篇文章真正要解决的问题

把“经营 AI 公司”做成游戏，最难的不是画一堆模型卡牌，也不是做一个招聘页面，而是回答三个问题：

第一，玩家每天、每月做什么？如果只是“点按钮买算力，再点按钮训练模型”，玩家很快就会流失。经营模拟的核心是让玩家在有限资源下做选择：是先买数据，还是先扩算力？是先做轻量 API，还是赌一把做对话大模型？这些选择必须产生可感知的后果。

第二，AI 公司的钱是怎么赚的？传统游戏里，工厂生产商品、商品卖钱、钱再买原料，循环非常清晰。但 AI 公司不是这样。模型训练完并不是终点，要持续承担 GPU 成本、数据更新成本、推理成本，还要面对产品同质化和市场口碑问题。如果游戏里没有体现“模型质量”和“产品收入”之间的非线性关系，玩家会觉得自己在玩一个加了 AI 名词的普通工厂。

第三，怎么让玩家感受到“成长”？现实里训练一个模型可能需要很多钱，但在游戏里，数值节奏必须被压缩。你既要让玩家在几十分钟内完成从“研究模型”到“上线产品”的完整循环，又要让每一步都有“变强”的感觉。

这篇文章的目标读者是：想开发 AI 题材模拟经营游戏的策划和程序，想用最小成本验证游戏玩法的独立开发者，以及正在做 AI 应用但对“如何把 AI 服务打包成产品”感兴趣的人。

我会先讲清楚 AI 公司模拟经营的核心概念和玩法映射，再给出一套三层系统架构，然后重点拆解数值公式和 Python 实现。最后会讲常见排错思路、工程化建议和商业化落地时需要避开的坑。

2. 模拟经营游戏的核心概念与玩法映射

在传统 Tycoon 游戏里，资源通常是“原料、生产线、商品、资金”。但在 AI 公司题材里，资源体系需要整体替换成下面五类：

这里面最容易做错的是把“模型”当成普通商品。传统工厂里，商品一旦生产出来，成本和售价都比较固定。可 AI 模型不是这样。模型训练完还要持续喂养数据、持续迭代，而且模型质量直接决定产品能不能卖出去。

为了在游戏里体现这一点，我们可以把模型质量设计成一个综合数值，它受四个因素影响：基础模型潜力、投入算力、可用数据量、团队研发能力。最终某个产品的月收入，又和模型质量、市场需求、公司声誉挂钩。这样，玩家每一次买算力、买数据、招聘人才，最终都会通过“模型质量”反馈到“收入”上，形成完整的因果链。

另一个值得注意的概念是“产品生命周期”。真实 AI 产品很容易出现上线后热度下降、用户流失、竞品降价等情况。游戏里如果缺少市场衰减机制，玩家只要上线一个高收入产品，后面就什么都不用做了。所以我们还要在核心循环里加入“市场变化”这一层，比如需求波动、产品老化、竞品冲击。

3. 游戏系统的三层架构设计

我建议把 AI 公司模拟经营游戏拆成三层：

3.1 资源层

资源层负责管理算力、数据、资金、人才等基础资源。玩家通过市场购买算力，通过数据包或用户反馈积累数据，通过招聘获得研究员和工程师。

这一层的核心设计点是“资源要互相转换，但不能无脑转换”。比如：买算力可以加快训练，但会消耗大量资金；买数据可以提升质量，但数据过多时收益会递减；招研究员可以提升研发速度，但每月要发工资。玩家必须不断调整资源结构，而不是把某一个资源堆到最高。

3.2 研发层

研发层管理模型训练项目。玩家启动一个“训练项目”后，需要投入算力、数据和研发人力。项目进度不是瞬间完成的，而是随着时间不断推进。训练完成后，模型会获得一个“质量分”。

这一层的关键是“研发进度”和“模型质量”两个指标。进度决定项目什么时候能上线，质量决定上线后产品能赚多少钱。我们可以让进度和质量解耦：进度主要看工程师数量和算力；质量主要看数据规模、团队研发能力和项目基础潜力。

3.3 市场层

市场层负责把模型转变成产品并产生收入。比如，一个对话模型可以包装成“智能客服机器人”，一个分类模型可以做成“内容审核 API”。产品上线后，每月根据市场需求、模型质量、公司声誉产生收入。

这一层还要加入市场波动。比如某个月整体 AI 需求上升，曝光量增加；某个月出现大量竞品，产品收入下降。玩家需要根据市场变化决定是继续投研发，还是转向其他产品线。

三层结构串起来以后，完整的玩法循环是：

• 花钱买算力和数据
• 启动模型训练项目
• 等待研发完成并获得模型质量
• 把模型包装成产品上线
• 产品每月产生收入
• 收入再投入到下一轮研发
• 同时根据市场波动调整策略

4. 数值设计：如何让游戏“看起来像一家 AI 公司”

有了系统架构，接下来重点看数值公式。这一部分决定玩家是否能感受到“我在做 AI 公司，而不是做面包工厂”。

4.1 模型质量公式

模型质量是全局最核心的数值。我的建议是：

model_quality = min(0.99, base_quality * compute_bonus * data_bonus * team_bonus)

其中：

• base_quality是模型基础潜力，比如轻量分类模型是 0.6，对话大模型是 0.75。
• compute_bonus和data_bonus使用对数函数，让资源投入存在边际递减。
• team_bonus和团队人数相关，人数越多团队经验越丰富，但人数本身不应该无限收益。

用对数函数而不是线性函数，是 AI 模拟经营里非常重要的一点。真实世界里，算力提升一倍，模型效果不一定会提升一倍，最后阶段甚至提不动。游戏里如果不做递减，玩家会只买同一种资源，游戏策略性会消失。

一个实际可用的公式可以写成：

compute_bonus = 1.0 + 0.20 * math.log10(1.0 + compute) data_bonus = 1.0 + 0.15 * math.log10(1.0 + data) team_bonus = 1.0 + 0.02 * (researchers + engineers)

当compute = 20、data = 30、researchers = 1、engineers = 1时，compute_bonus约 1.26，data_bonus约 1.22，team_bonus为 1.04。这个幅度正好能让人感觉到“我投入资源后模型确实变强了”，但又不至于无脑碾压。

4.2 产品收入公式

产品收入可以直接和模型质量挂钩。公式可以写成：

monthly_revenue = product_price * market_demand * confidence_factor * reputation_factor

其中：

• product_price是产品挂牌价，比如智能客服每月 3000 元。
• market_demand是当前市场对该类产品的需求，范围 0 到 1。
• confidence_factor和模型质量相关。质量越高，客户越愿意付费。
• reputation_factor和公司声誉相关，声誉高会让产品更容易卖出去。

这里的重点是：模型质量越高，客户对产品的信心越强。如果模型质量只有 0.3，产品基本上没有收入；质量到 0.8 以上，收入才会有明显增长。

4.3 研发进度公式

项目进度不可能瞬间完成。我建议用每月进度累加：

project.progress += 0.1 * engineers + 0.05 * researchers

工程师对进度贡献更大，研究员对质量贡献更大，这样两种人才各有定位。玩家必须考虑先招谁：想快速上线，招工程师；想做出高质量产品，招研究员。

4.4 数值检查表

设计完成后，建议用一张表检查数值是否合理：

5. 环境准备与前置条件

接下来进入代码实现。这一节不是做一个完整商业游戏，而是用最小原型跑通“AI 公司模拟经营”的核心循环。

建议环境如下：

• Python 3.9 及以上版本
• 不需要第三方依赖，使用标准库即可
• 任意支持 UTF-8 编码的编辑器，比如 VS Code、PyCharm
• 操作系统不限，Windows、macOS、Linux 都可以

项目目录建议这样组织：

ai_company_tycoon/ ├── config/ │ └── ai_company_config.json ├── simulation/ │ └── core.py ├── run_demo.py └── README.md

配置文件用来放所有游戏参数。这样做的好处是：策划和程序可以分工，程序不需要为每个参数改动重新编译；后续做 Web 版或移动端时，也可以把这套 JSON 配置直接搬到服务端。

在实际项目中，版本不需要过于纠结。你完全可以用 Python 3.9 开始，后续如果要做 Unity 客户端再重写核心逻辑。先把玩法验证跑通，远比一开始就上重型框架重要。

6. 核心流程拆解与完整代码实现

下面我们按照“配置文件 → 模拟核心 → 运行脚本”的顺序来实现。

6.1 配置文件

创建config/ai_company_config.json：

{ "start_capital": 1200000, "resources": { "compute": { "base_price": 100 }, "data": { "base_price": 50 }, "talent": { "researcher_base_salary": 15000, "engineer_base_salary": 10000 } }, "models": [ { "id": "classifier_cpu", "name": "轻量分类模型", "required_scale": 1, "base_quality": 0.6, "dev_cost": 120000 }, { "id": "chat_llm", "name": "对话大模型", "required_scale": 8, "base_quality": 0.75, "dev_cost": 500000 } ], "products": [ { "id": "content_moderation_api", "name": "内容审核 API", "model_id": "classifier_cpu", "market_demand": 0.7, "base_price": 800 }, { "id": "customer_service_bot", "name": "智能客服机器人", "model_id": "chat_llm", "market_demand": 0.5, "base_price": 3000 } ] }

这个配置里藏着几个关键设计：

• required_scale是启动模型训练的最少算力要求。玩家算力不足时不能启动大项目。
• dev_cost是模型研发的一次性成本。
• market_demand是产品所在赛道的需求，不同产品线有不同的市场空间。
• base_price是产品月定价，可以理解成客户购买服务后每月支付的价格。

6.2 模拟核心

创建simulation/core.py：

import json import math from dataclasses import dataclass, field from typing import Dict, List @dataclass class CompanyState: capital: float compute: float = 0.0 data: float = 0.0 research_points: float = 0.0 month: int = 0 researchers: int = 1 engineers: int = 1 active_projects: List[Dict] = field(default_factory=list) products: List[Dict] = field(default_factory=list) reputation: float = 50.0 def to_dict(self) -> Dict: return { "month": self.month, "capital": round(self.capital, 2), "compute": round(self.compute, 2), "data": round(self.data, 2), "research_points": round(self.research_points, 2), "researchers": self.researchers, "engineers": self.engineers, "reputation": round(self.reputation, 2), "products": self.products, } class AICompanySimulator: def __init__(self, config_path: str): with open(config_path, "r", encoding="utf-8") as f: self.config = json.load(f) self.state = CompanyState(capital=float(self.config["start_capital"])) def buy_resource(self, resource: str, amount: float) -> bool: if resource not in ("compute", "data"): return False price = float(self.config["resources"][resource]["base_price"]) cost = price * amount if self.state.capital < cost: return False self.state.capital -= cost setattr(self.state, resource, getattr(self.state, resource) + amount) return True def start_project(self, model_id: str, product_id: str) -> bool: try: model = next(m for m in self.config["models"] if m["id"] == model_id) product = next(p for p in self.config["products"] if p["id"] == product_id) except StopIteration: return False if product["model_id"] != model_id: return False required_scale = float(model["required_scale"]) if self.state.compute < required_scale: return False dev_cost = float(model["dev_cost"]) if self.state.capital < dev_cost: return False self.state.capital -= dev_cost self.state.active_projects.append({ "model_id": model_id, "product_id": product_id, "progress": 0.0 }) return True def step_month(self): self.state.month += 1 self.state.research_points += 2.0 * self.state.researchers completed = [] for project in self.state.active_projects: project["progress"] += 0.1 * self.state.engineers + 0.05 * self.state.researchers if project["progress"] >= 1.0: completed.append(project) for project in completed: self._complete_project(project) self.state.active_projects.remove(project) self._pay_salaries() self._collect_revenue() self._apply_market_effects() def _complete_project(self, project: Dict): model = next(m for m in self.config["models"] if m["id"] == project["model_id"]) product = next(p for p in self.config["products"] if p["id"] == project["product_id"]) quality = self._calc_model_quality(model) self.state.products.append({ "name": product["name"], "model_id": model["id"], "quality": quality, "monthly_price": float(product["base_price"]), "market_demand": float(product["market_demand"]), }) self.state.reputation = min(100.0, self.state.reputation + quality * 5) def _calc_model_quality(self, model: Dict) -> float: base_quality = float(model["base_quality"]) compute_bonus = 1.0 + 0.20 * math.log10(1.0 + self.state.compute) data_bonus = 1.0 + 0.15 * math.log10(1.0 + self.state.data) team_bonus = 1.0 + 0.02 * (self.state.researchers + self.state.engineers) quality = base_quality * compute_bonus * data_bonus * team_bonus return round(min(0.99, quality), 4) def _pay_salaries(self): researcher_salary = float(self.config["resources"]["talent"]["researcher_base_salary"]) engineer_salary = float(self.config["resources"]["talent"]["engineer_base_salary"]) self.state.capital -= researcher_salary * self.state.researchers self.state.capital -= engineer_salary * self.state.engineers def _collect_revenue(self): for product in self.state.products: demand = float(product["market_demand"]) quality = float(product["quality"]) price = float(product["monthly_price"]) confidence = 1.0 - max(0.0, 0.8 - quality) reputation_factor = 1.0 + self.state.reputation / 200.0 revenue = price * demand * confidence * reputation_factor self.state.capital += revenue def _apply_market_effects(self): for product in self.state.products: if self.state.month % 7 == 0: product["market_demand"] = max(0.1, float(product["market_demand"]) * 0.95)

这段代码的核心逻辑很清晰：

• start_project会检查模型、产品、算力、资金四个条件，避免玩家乱开项目。
• step_month代表一个月的模拟推进。先加研发进度，再完成项目，然后发工资、收收入、触发市场波动。
• _calc_model_quality使用对数函数控制资源边际递减。
• _collect_revenue把模型质量转成客户付费信心，质量越高，产品收入越高。
• _apply_market_effects每 7 个月让市场需求下降 5%，避免玩家一个产品吃一辈子。

6.3 运行脚本

创建run_demo.py：

from simulation.core import AICompanySimulator def main(): sim = AICompanySimulator("config/ai_company_config.json") sim.buy_resource("compute", 20.0) sim.buy_resource("data", 30.0) if not sim.start_project("chat_llm", "customer_service_bot"): print("启动项目失败，请检查资金、算力是否足够") return for _ in range(12): sim.step_month() state = sim.state print( f"第{state.month:02d}月 | " f"资金: {state.capital:>12,.2f} | " f"算力: {state.compute:>6.1f} | " f"数据: {state.data:>6.1f} | " f"产品数: {len(state.products)}" ) if __name__ == "__main__": main()

运行方式：

python run_demo.py

这样我们就搭好了一个最小可玩的 AI 公司模拟经营原型。

7. 运行结果与效果验证

如果一切正常，控制台输出会类似下面这样：

第01月 | 资金: 671,500.00 | 算力: 20.0 | 数据: 30.0 | 产品数: 0 第02月 | 资金: 646,500.00 | 算力: 20.0 | 数据: 30.0 | 产品数: 0 第03月 | 资金: 621,500.00 | 算力: 20.0 | 数据: 30.0 | 产品数: 0 第04月 | 资金: 596,500.00 | 算力: 20.0 | 数据: 30.0 | 产品数: 0 第05月 | 资金: 571,500.00 | 算力: 20.0 | 数据: 30.0 | 产品数: 0 第06月 | 资金: 546,500.00 | 算力: 20.0 | 数据: 30.0 | 产品数: 0 第07月 | 资金: 523,731.25 | 算力: 20.0 | 数据: 30.0 | 产品数: 1 第08月 | 资金: 500,962.50 | 算力: 20.0 | 数据: 30.0 | 产品数: 1 第09月 | 资金: 478,193.75 | 算力: 20.0 | 数据: 30.0 | 产品数: 1 第10月 | 资金: 455,425.00 | 算力: 20.0 | 数据: 30.0 | 产品数: 1 第11月 | 资金: 432,656.25 | 算力: 20.0 | 数据: 30.0 | 产品数: 1 第12月 | 资金: 409,887.50 | 算力: 20.0 | 数据: 30.0 | 产品数: 1

怎么判断这个原型是成功的？主要看三点：

第一，项目不是瞬间完成的。对话大模型需要约 7 个月才能上线，这给了玩家“研发周期”的感知。第二，产品上线后确实能产生收入，但收入不足以覆盖全部成本，说明玩家还需要继续优化资源结构。第三，资金曲线是稳定下降的，说明当前配置属于偏困难启动，玩家需要通过后续融资、提高模型质量、拓展产品线来扭亏为盈。

如果跑出来不是这个结果，不要急着调代码。先检查 JSON 文件是不是 UTF-8 编码，再检查start_project是否成功返回True。可以在启动项目后打印sim.state.capital来确认研发费用是否被扣除。

8. 常见问题与排查思路

原型阶段最容易出问题的点其实不在 Python 语法，而在配置和数值设计。下面这张表总结了我在类似模拟项目里最常遇到的几类问题：

排查的时候我建议采用“从配置到代码”的顺序。先确认配置里的数字是否符合预期，再确认模拟核心里的公式是否正确，最后才看 UI 和交互。很多数值问题并不是代码 bug，而是配置参数错得离谱。

另外需要注意，_collect_revenue里的confidence系数可能大于 1，这是故意的。质量很高时，客户愿意支付比挂牌价更高的费用，因为产品“值这个价”。如果你不想让收入膨胀，可以使用min(1.2, confidence)做一个上限。

9. 工程化与产品化建议

上面的原型只解决了一个问题：核心循环能不能跑通。但如果要把它做成真正的游戏，还需要补很多工程化能力。

9.1 配置和代码分离

建议所有数值参数都放在 JSON 或数据库里，而不是硬编码在 Python 中。到后期，策划会频繁调整算力价格、模型参数、产品需求，如果每次都要改代码，会非常痛苦。把配置抽出来以后，策划可以直接改配置，程序只需要保证配置加载逻辑稳定。

9.2 事件系统驱动

不要把所有逻辑都塞进一个step_month。更好的做法是设计一个事件队列：

• “模型训练完成”是一个事件。
• “市场需求变化”是一个事件。
• “突发竞品出现”是一个事件。
• “公司获得融资”是一个事件。

事件驱动的好处是，后续加新玩法不需要改核心循环，只要注册新事件即可。比如做“AI 产品被黑客攻击”事件，只需要在事件处理器里减声誉，不影响其他模块。

9.3 数据持久化

原型里没有存档功能。真实游戏必须考虑玩家离线后的状态。建议用 SQLite 保存公司状态，用 Redis 保存实时排行榜。如果做单机游戏，至少要把CompanyState序列化成 JSON 再写文件。

9.4 监控和日志

模拟经营游戏最容易出现“数值悄悄崩了”的问题。建议在每个step_month末尾记录一条日志，包含资金、算力、数据、模型质量、产品收入、月现金流。如果测试时发现玩家第 20 个月资金变得异常，可以通过日志迅速回溯。

9.5 关于合规与安全

如果你要做成多人在线游戏，还要考虑玩家输入内容的过滤、账号体系的安全、排行榜防作弊等问题。任何涉及玩家上传内容的产品，都应该在服务端做内容校验，不要在客户端只做一次过滤就认为是安全的。游戏后台的管理操作要遵循最小权限原则，避免普通玩家误触管理接口。

9.6 先做数值原型，再写游戏引擎

这一点对新团队尤其重要。很多团队一上来就做 3D 场景、角色动画、UI 特效，结果核心玩法还没跑通。建议先用 Python 或 Excel 搭建数值模型，验证完“模型质量—产品收入—资金循环”是否成立，再进入实际客户端开发。数值模型是整个游戏的骨架，骨架没做好，换再好看的皮肤也留不住玩家。

10. 后续可以继续深入的方向

如果你已经跑通这个原型，下一步可以按下面的优先级继续扩展：

先做一个简单 UI，让玩家能看见算力、数据、资金、模型质量这些关键指标。UI 不需要好看，但要能清晰表达“我在这一步投入了什么，换来了什么”。

然后添加事件系统。比如每个月有概率触发“竞争对手发布新模型”，如果玩家不跟进，产品收入就会下降。这类事件能让游戏从“纯数值堆叠”变成“有决策冲突”。

接着可以扩展产品线。不要只做 API 和客服机器人，还可以加入 AI 绘画工具、AI 编程助手、Agent 应用等。不同产品线使用不同模型，对应不同的市场需求和收入曲线。

最后考虑融资和上市系统。AI 公司是典型的“高投入、高估值”行业，玩家可以通过融资获得大量资金，但也必须承担对赌、估值稀释、战略方向被投资人干预等代价。这会让经营决策更有戏剧性。

当然，具体做哪些内容，取决于你想让游戏面向硬核模拟玩家还是休闲玩家。硬核玩家愿意接受复杂的人员管理和研发管线，休闲玩家则需要更快拿到正反馈。最好的做法，是像前面说的那样，先用一套可配置的数值模型跑出多条成长路径，再根据目标玩家群体做减法。

做 AI 公司模拟经营游戏，本质上不是写一套复杂算法，而是找到一个让玩家不断做选择的循环。算力、数据、模型质量、产品收入、市场波动，每一个数值都应该服务于这个循环。先把这条链做扎实，再考虑画面和表现层，游戏自然会好玩起来。