企业官网建设流程全解析

最近身边好些做独立游戏、做原型验证的朋友都在问同一个问题：想让AI直接帮忙写一个能跑的3D小游戏，到底用哪个模型合适。与其盯着厂商发的benchmark，不如自己动手实测一次。于是我从当前热度最高的几个模型里挑了三个——Step 5 Preview、DeepSeek V4 Pro、GLM5.3，给它们出了完全相同的一道题：做一个基于浏览器的第三人称3D平台跳跃小游戏。这篇就是完整的实测记录，包括需求Prompt怎么设计、三个模型各自生成的过程、最后跑起来的效果差异，以及我自托管GLM5.3时踩到的vLLM镜像版本坑。想用AI做游戏原型，或者只是想判断哪个模型更适合写复杂代码的朋友，可以直接对号入座。

1. 为什么拿“3D游戏”当考题：评测思路与工具选型

1.1 三个参赛者的基本盘

我先说结论性的背景判断。Step 5 Preview是Preview版本，主打的优势是长任务规划能力，适合一次性生成大块代码；DeepSeek V4 Pro在我之前的认知里属于“稳”的类型，逻辑推理扎实，代码生成偏工程化；GLM5.3则在中英文混合语义理解上有明显特长，给它中文需求基本不用二次解释。为了不把评测视野搞得太窄，我同样拉了doubao-seed-2.0-code做场外对照，但主标题只评前三家，所以它不算正式参赛者，后面提到它也就是顺带一句。

之所以选这三家做横向对比，是因为它们代表了三种不同的“性格”。Step 5 Preview像那个天分很高但有点毛躁的年轻同事，第一次上手特别惊艳，改到后面容易把地盘搞乱；DeepSeek V4 Pro更像团队里的资深工程师，写出来的东西不花哨，但你敢在它基础上反复迭代；GLM5.3的风格则更像开源项目维护者，给出的是“带TODO的框架”，对接真实工程很舒服。这些性格差异不跑一次复杂任务根本看不出来。

1.2 技术栈选择：为什么是 Three.js 而不是 Unity

我不选Unity或Cocos，最核心的原因是“可复现性”。Unity场景、材质、物理组件这些大量资产是存在编辑器里的，AI生成的C#脚本没法脱离编辑器直接观测，评测环境太重。而Three.js是纯代码驱动，配Vite构建，一个浏览器就能跑，AI生成完我直接npm run dev就能看到结果。对评测模型的代码生成能力来说，这种轻量闭环太重要了。

另一个原因是3D游戏本身对代码质量非常敏感。坐标变换、相机控制、碰撞检测、状态切换、资源加载，这些模块只要有一个环节出错，游戏就会白屏、穿模或者物理塌陷。普通业务代码里很多bug能被框架兜住，但3D游戏几乎没有兜底，模型写错了就是写错了，一眼就能暴露。这比用CRUD接口来评测模型要严苛得多，也更能反映真实水平。

1.3 我用来打分的四个维度

正式开工之前，我先定了一套自己的评分维度，避免“凭感觉说谁好”。

• 功能完成度：游戏能不能跑，核心玩法是否完整，边界情况有没有处理。
• 代码可维护性：文件拆分是否合理，模块边界是否清楚，变量命名是否可读。
• 迭代成本：我提一个新的玩法修改意见，它改动一次需要多久，会不会引入新bug。
• 运行表现：帧率是否稳定，场景复杂度与性能是否平衡。

这四个维度里我最看重“迭代成本”。因为AI写代码不是一次交付就结束的，真实项目里九成时间都在改需求。一个模型首仓代码写得再漂亮，后续一改就崩，那它在实际项目里就不及格。这个权重思路也贯穿了整篇实测。

2. 一份能看出水平的题目：Prompt 设计与统一约束

2.1 需求描述里必须带上的六个要素

很多人的AI写游戏失败，问题不在模型，而在需求描述太模糊。“帮我写个3D跑酷游戏”这种话，神仙模型也只能自由发挥，最后生成的结果跟你的预期完全对不上。我自己总结下来，一份能看出模型真实水平的需求描述，至少要包含六个要素：目标场景、玩法规则、交互方式、技术栈、资源约束、兜底行为。缺了任何一个，模型都会在对应环节自作主张。

这次我出的题目是一个第三人称3D平台跳跃游戏，玩家在高低错落的平台间跳跃前进，到达终点旗帜获胜。交互是WASD移动、空格跳跃、Shift加速，相机跟随且不能穿墙。所有资源都用几何体加材质现场生成，不依赖外部模型文件，确保无网络也能运行。技术栈限定为原生Three.js加Vite，并且明确不用外部物理引擎，碰撞检测用手动AABB或包围球实现。

2.2 分阶段生成：为什么不能一句话甩给模型

这里是我踩过一次坑之后才改的习惯。早期我图省事，把整套需求一次性丢给模型，结果三家模型都倾向于生成一个五六百行的单页面文件，场景、角色、碰撞、UI全堆在全局作用域里。后续任何一个小改动都会牵一发动全身，比如想把跳跃力从8改成7，它会把重力、碰撞容差、甚至相机跟随系数一起改掉，相当头疼。

所以这次我改用“分阶段生成”的策略，先让模型把地基打好，再一层层往上加需求。第一阶段只做静态场景加角色移动，第二阶段加敌人和胜利条件，第三阶段改手感优化和UI界面。每阶段生成完我都亲自跑一遍，验收通过再进入下一阶段。这样做有三个好处：一是每个阶段出bug能精确定位到是哪家模型哪一批代码的问题；二是避免模型在长任务里出现“前面正常后面失忆”的状态失控；三是能让三家的代码结构差异更清楚地暴露出来。

2.3 我一字不改的统一输入长这样

为了保证公平，三个模型收到的Prompt完全一致，一字不改：

请你用 Three.js 实现一个第三人称3D平台跳跃小游戏： 1. 场景：多个高低错落的平台，散布障碍物，背景使用渐变天空。 2. 玩法：玩家控制角色在平台间跳跃前进，到达终点旗帜触发胜利界面；碰到障碍或掉落平台则扣1点生命，生命归零触发失败界面。 3. 交互：WASD移动，空格跳跃，Shift加速；相机跟随角色保持第三人称视角，不能穿墙。 4. 技术栈：原生 Three.js + Vite，不使用外部物理引擎，碰撞检测用手动AABB或包围球。 5. 资源：地面、角色、障碍物全部用几何体加材质生成，不依赖外部模型文件。 6. 约束：角色速度5 m/s，跳跃初速度8 m/s，重力20 m/s²，碰撞半径0.5，跳跃缓冲0.15秒；角色掉出世界后重置到出生点。

这份需求里最关键的其实是最后一条“硬参数”。如果说玩法描述是出题，那这些物理参数就是评分标准。参数定得越死，三家模型发挥空间的差异就越小，最后对比代码调试思路时才能看出真正的差距。实际生成过程中我也验证了这一点，同一套参数下三家对“跳跃缓冲0.15秒”的实现方式完全不同，这部分后面展开讲。

3. 三台机器的现场实录：从生成到跑通

3.1 Step 5 Preview：第一版惊艳，第三版翻车

Step 5 Preview第一轮输出的效率确实高。我的需求文本刚提交，大约三十多秒后它就返回了一个完整的单文件实现，里面包含了GameManager类、角色控制器、平台生成逻辑和一整套雾效粒子效果。我几乎没改任何东西就把它跑起来了，画面观感是三家里最好的，天空渐变细腻，平台上有淡淡的粒子飘动，角色落地还有轻微灰尘效果。这种“一眼惊艳”的体验，确实很能打动人。

但问题出现在后续迭代上。我在第二阶段要求加入跳跃缓冲，它直接在update循环里连续替换了三处逻辑，结果把条件判断写反了，角色按空格就会原地无限腾空。我继续要求“相机平滑跟随”，它又一次大范围重写相机模块，把y轴方向补了个负号，视角直接翻转。最麻烦的是因为它把整个游戏封装在一个巨大的状态闭包里，我在调试器里根本没法快速定位是哪一段代码出了问题。整个排错过程耗了我二十分钟。

这一步的教训非常明显：Step 5 Preview适合从零到六十的快速开荒，但不适合连续不断的大改。用它的正确姿势是高频提交，每次只让它改一个函数，改完立刻保存迭代结果，不要给它一口气改三个需求的自由度。测试下来，只要控制好修改粒度，它的输出质量能稳定很多。

3.2 DeepSeek V4 Pro：不炫技，但改起来最省心

DeepSeek V4 Pro的流程体验从第一轮就不太一样。我提交需求之后它没有直接生成代码，而是先反问了一个问题：“视角是第三人称固定角度还是跟随旋转？跳跃触发方式是按键还是可配置？”这个问题问得相当专业，说明它在动手之前会先做需求澄清。实际开发中很多返工就是因为需求歧义，它愿意先问清楚再动手，本身就帮我省了一轮沟通成本。

它生成的代码结构也明显更工程化，自动拆分了input.js、physics.js、renderer.js三个模块，文件边界非常清楚。第一版跑起来之后画面观感比较朴素，就是一个灰色平台、一个方块角色、一片背景色，没有Step 5那种视觉冲击力，但帧率极其稳定。我在Chrome的Performance面板里观察了五分钟，几乎没有任何掉帧。

后续迭代跟我预期的一样顺。要求加跳跃缓冲，它只动了physics.js里的一个常量；要求相机拉近防穿墙，它没有粗暴地关闭碰撞，而是改成相机靠近角色背后并增加插值平滑，从视觉上规避了穿墙。这就是模块化的价值。唯一的问题是它对几何碰撞的精度处理太粗，角色站在平台边缘会出现轻微抖动，但这个病根在physics模块里，我调了一下容差值就解决了。

3.3 GLM5.3：中文理解天花板，工程链也最真实

GLM5.3在三家里显得比较特别。它最强的点是中文描述到代码参数的转译能力。我在第三阶段追加需求时写了一句“跳跃要带一点惯性，像马里奥那样”，它直接给了一段大约三十行的摩擦力处理函数，不需要我解释什么是惯性、怎么换算成帧率无关的加速度，说明它对中文口语描述的语义抽取做得相当好。

但它的首仓输出风格跟其他两家差异很大。它生成的代码里大量使用占位接口，资源加载、粒子特效、胜利结算UI统统留好了函数签名，但函数体里只有一个“TODO”注释。对习惯看完整效果的新手来说，这个输出可能显得“不够炫”，但从工程角度看这反而是最专业的做法——真实项目里本来就应该先把接口契约定清楚，再填具体实现，而不是把所有东西强行写成一大坨阻塞代码。

还有一个绕不开的部署问题。我本来想用vLLM把GLM5.3拉起来跑后续的迭代提示词，结果模型加载阶段直接报错崩溃。这个坑跟镜像版本强相关，细节我会放到第5节专门展开。如果使用官方API则完全没有这个问题，但自托管场景下版本兼容性必须提前确认。

4. 成品对比：代码结构、运行表现与可维护性

4.1 跑起来之后的直接观感

三个版本跑起来之后给人的第一印象差异非常大。Step 5 Preview的版本像是一个“演示片”，雾效、粒子、渐变天空都有，视觉上最接近商店里的Demo效果。DeepSeek V4 Pro的版本像是个“原型骨架”，界面朴素到只有最基本的几何体和纯色背景，但胜在运行最稳，摄像头转动、角色跳跃都没有卡顿感。GLM5.3的版本则像“丢了美术资源的半成品”，界面也比较简单，但代码结构上留出了资源接入点，后面塞模型贴图进去就能直接替换。

如果在没有后续维护需求的前提下评“哪个最惊艳”，那一定是Step 5 Preview。但放在真实开发流程里，我大概率会选DeepSeek V4 Pro的版本继续往下迭代，因为它暴露出来的问题都是可以通过改参数解决的，而Step 5那个版本我甚至不敢轻易动它的闭包状态。

4.2 几个可以量化的对比项

以下数据来自我个人实测，不是严谨benchmark，但能反映相对水平：

这个表格里我最在意的是“迭代一次平均耗时”这一行。Step 5 Preview之所以慢，不是它生成代码慢，而是它每次大改后引入的新bug需要花时间排查；而DeepSeek由于模块拆分合理，改起来就是精准定位微调，几乎不会引入边界外的错误。GLM5.3的速度也不差，问题主要是TODO要手动补全，这部分工作很难被省掉。

4.3 代码结构差异：大仓鼠、模块党和框架党

三个模型在代码组织方式上的“性格”差异，是这次对比中最好玩的部分。Step 5 Preview是典型的单文件大仓鼠风格，所有逻辑都塞在一个大作用域里，靠内部类名和注释维持秩序，首仓观感流畅，但后期维护成本高。DeepSeek是模块党，一个文件只干一件事，输入、物理、渲染严格分离，基本符合“整洁架构”的直觉。GLM更接近框架党，它不像DeepSeek那样把所有功能写完整，而是先把一个开源项目该有的骨架、接口、资源路径都搭出来，剩下由你填空。

这三种风格没有绝对的好坏，取决于使用场景。只想花五分钟做一个能发朋友圈的3D小Demo，Step 5的最合适；想认认真真把一个游戏原型迭代成一个能上架的作品，DeepSeek的最合适；如果团队本身有美术和策划，需要AI先生成一个工程框架来对接资源，GLM5.3的写法反而最顺手。

5. 部署与迁移：GLM5.3 本地推理镜像排查和安卓落地

5.1 为什么要把 GLM5.3 拉到本地部署

测试到第三轮的时候我就想把GLM5.3拉到本地，核心原因是迭代效率。用官方API虽然有免运维的优势，但我每一轮Prompt调试、每一个参数实验都要走网络请求，在GLM5.3这种模型上单次推理就要几秒钟，连续改十几个版本，等待时间累积起来非常可观。另外考虑到后续要接入自己的数据管道，本地部署还能避免把代码中间产物传到外部服务，安全和成本上都更好控制。

自托管GLM5.3的常规路径，就是用vLLM把模型包装成兼容OpenAI接口的服务，然后通过本地请求调用。vLLM是目前吞吐量最高的开源推理引擎之一，支持动态批处理和PagedAttention，对变长输入的适配很有优势。但问题也随之而来：vLLM迭代快，新模型适配往往滞后于版本发布，镜像版本选不对就会在模型加载阶段直接翻车，跟我这次遇到的情况完全一样。

5.2 vLLM 镜像版本怎么选：一次典型的兼容性排查

我的排查过程很有代表性。第一次启动时拉的是vllm/vllm-openai的最新发布镜像，命令是标准的：

docker run --runtime nvidia --gpus all \ -v /models:/models \ -p 8000:8000 \ vllm/vllm-openai:latest \ vllm serve /models/glm5.3-chat \ --tensor-parallel-size 1 \ --max-model-len 8192

模型权重加载阶段直接报错，日志里出现“CUDA graph execution failed”和“shape mismatch”相关异常，看着像显存不足，但换了大显存机器问题依旧。后来我逐层排查，发现根因在vLLM的kernel实现上：GLM5.3的自定义注意力结构依赖RMSNorm的一种特殊fused kernel，这个kernel是在0.6.6.post2版本才被完整支持。最新rc镜像虽然版本号更高，但对GLM这条适配链路的稳定性反而没有经过足够验证，CUDA graph捕获阶段会不定期崩。

最后我把镜像固定为vllm/vllm-openai:v0.6.6.post2，同样的参数和启动命令，一次通过。

提示：如果你要自托管GLM5.3这类新模型，别盲目追最新镜像。先查Release Notes里有没有对这个模型系列的针对性适配，优先选稳定发布版而不是rc版。

5.3 从网页原型到开源安卓3D游戏

第3节生成出来的Three.js版本虽然跑在浏览器里，但离“开源安卓3D游戏”只有一步之遥。把WebGL内容打包进安卓壳子的关键是用Capacitor，它是开源项目，可以直接把构建产物封装成Android WebView应用。

实际操作步骤不复杂。先构建前端产物，然后初始化Capacitor，添加安卓平台，最后用Android Studio签名打包：

npm run build npm i @capacitor/core @capacitor/cli npx cap init "My3DGame" "com.example.my3dgame" --web-dir=dist npx cap add android npx cap sync android

这套流程跑通之后，浏览器里的跑酷小游戏就变成一个可安装的安卓APK。它本质上是WebView渲染，性能跟原生OpenGL应用有差距，但对原型验证和中小型游戏来说完全够用。如果真要往原生方向深入，开源引擎Godot是更好的选择，不过Godot场景资产同样依赖编辑器，不在本次AI直接生成代码的评测范围内。

顺带说一句，我拿doubao-seed-2.0-code跑了一下安卓原生小项目的改造，它在代码注释和可读性上做得很好，适合新手阅读学习，但主项目的三个模型不排名，场外信息仅供参考。

6. 跑完这三台机器后，我的一点私人体会

测完整个流程，我给自己的选型策略做了一个明确的分工：快速验证创意，看Step 5 Preview，它能把一个脑洞迅速变成看得见摸得着的3D画面；进入正经迭代阶段，我选DeepSeek V4 Pro，它那套干净的模块化代码让人改着舒心；如果团队的需求全是中文描述，并且需要私有化部署直接用GLM5.3，但前提是先把vLLM镜像问题解决掉，版本锁死再谈生产力。

还要分享一个在几轮调试里验证过的小技巧：不管用哪家模型，先让它输出一份接口伪代码或者函数签名骨架，再要求它填充具体实现，最终结果的稳定性都会显著提升。本质原因是让模型先把“自己准备怎么组织代码”的契约定下来，后面所有填充都围绕契约进行，就减少了中途改主意的概率。这条经验对我来说比任何模型排名都值钱。

另外给大家留个参考判断：如果你只是图新鲜想看看AI写3D游戏的效果，希望跑的越炫越好，首选Step 5 Preview；如果你的目的是在这个原型上继续开发至少一周，那我个人还是更建议用DeepSeek V4 Pro，少一点视觉冲击，换来的是后续几天省心。GLM5.3则留给那些愿意在工程完整度上花功夫、并且有能力接管TODO接口的朋友。模型没有绝对优劣，关键是你打算让它在你的流程里站哪个位置。