基于LLM Wiki的分层规则驱动游戏开发系统

基于LLM Wiki的分层规则驱动游戏开发系统

核心理念：AI 编码的效率，不在算法之精准，而在多智能体协同之无冲突；智能体的精度，不在模型之强弱，而在框架约束之恰如其分。

本文构建一套**从用户规则 → 项目规则 → Skill → 上下文管理 → 自带Agent → Cursor三层规则**的完整规范体系，让零编程游戏开发落地为可复用的工程化工具。

目录

1. 规则分层总览

2. 用户规则（User Rules）

3. 项目规则（Project Rules）

4. Skill（可复用能力模块）

5. 上下文管理（Context Management）

6. 自带Agent设置（Built-in Agents）

7. Cursor三层规则（Three-tier Rules in Cursor）

8. LLM Wiki 集成与反馈进化

9. 完整部署示例

1. 规则分层总览

本系统通过6层规则体系，实现从用户偏好到编辑器行为的全链路约束，确保多智能体协同无冲突、开发流程标准化、成果可复用。各层级规则的核心信息如下表所示：

设计原则：下层规则继承上层，但可以被上层覆盖；规则越具体，优先级越高。

2. 用户规则（User Rules）

用户规则定义个人偏好，适用于该用户创建的所有游戏项目，确保不同项目中保持一致的开发习惯。规则存储在 `~/llm_wiki/user_rules.json`，支持自定义配置和动态加载。

2.1 规则格式

{"user_id":"alice@example.com","preferences":{"language":"zh-CN","code_style":"2 spaces, no semicolons","complexity":"simple",// simple | moderate | complex"feedback_mode":"auto",// auto | manual"default_platform":"web","asset_level":"placeholder"// placeholder | ai_generated | professional},"custom_rules":["对于任何游戏，优先考虑单人模式，不要提联网功能。","所有提示词必须包含中文说明。","任务拆解粒度不超过15分钟。"]}

2.2 在系统中加载用户规则

后端启动时自动读取用户规则，并将其注入到LLM的system prompt中，确保所有智能体都遵循用户偏好，核心代码如下：

asyncfunctionloadUserRules(userId){constuserRulesPath=path.join(USER_RULES_DIR,`${userId}.json`);if(awaitfs.exists(userRulesPath)){returnJSON.parse(awaitfs.readFile(userRulesPath));}returndefaultUserRules;}// 在调用LLM前注入用户规则systemPrompt+=`\n【用户规则】\n${JSON.stringify(userRules.custom_rules)}\n请遵守以上规则。`;

3. 项目规则（Project Rules）

项目规则针对具体游戏项目，用于约束该项目的技术选型、代码风格、设计规范等，所有参与该项目的Agent都会严格遵循。规则存储在项目根目录的 `.rules/` 文件夹中，支持按模块拆分管理。

3.1 目录结构

my_game_project/ .rules/ tech_stack.md# 技术栈约束coding_style.md# 代码风格game_design.md# 设计规范tasks_format.md# 任务拆分格式docs/ src/...

3.2 示例：`tech_stack.md`

# 技术栈规则 (Project Rule) 1. 前端：HTML5 + Canvas API + Vanilla JavaScript (ES6+) 2. 禁止：React, Vue, jQuery, Phaser等任何第三方框架 3. 游戏循环：requestAnimationFrame，目标60FPS 4. 碰撞检测：轴对齐包围盒（AABB），不使用第三方物理库 5. 资源：所有图片/音效内嵌为base64或相对路径，不依赖外部CDN

3.3 项目规则加载

在协调器（Orchestrator）启动时，会为每个项目创建一个隔离的规则上下文，根据Agent角色分发对应的规则，确保规则精准作用于目标智能体，核心代码如下：

classProjectRuleContext{constructor(projectPath){this.rules=this.loadAllRules(projectPath);}getRulesForAgent(agentRole){// 根据Agent角色返回相关规则if(agentRole==='Programmer')returnthis.rules.tech_stack+this.rules.coding_style;if(agentRole==='Designer')returnthis.rules.game_design;returnthis.rules.all;}}

4. Skill（可复用能力模块）

Skill 是跨项目的原子能力单元，类似可调用的函数，封装了特定场景下的完整能力（如平台跳跃机制设计、任务拆解等）。每个Skill包含触发词、输入参数、输出格式和关联规则，存储在中心仓库 `/skills/`，可被多个项目引用，提升开发效率。

4.1 Skill 结构

# skills/platformer_jump_skill.yamlname:platformer_jump_skilldescription:为平台跳跃游戏生成跳跃机制的提示词和设计建议triggers:-"跳跃手感"-"跳跃高度"-"跳跃机制"parameters:-name:jump_typetype:enumoptions:[fixed,variable]default:variable-name:air_controltype:booleandefault:trueoutput:format:markdowncontent:|## 跳跃机制设计 类型：{jump_type} 空中控制：{air_control} 推荐提示词：请实现{ jump_type == "variable" ? "按得越久跳越高" : "固定高度" }的跳跃...rules_applied:-总是先询问跳跃类型再生成代码-可变跳跃需包含计时器逻辑

4.2 Skill 调用方式

在对话中，用户或系统可通过 `@skill 技能名称` 的方式调用Skill，后端解析后会自动执行技能逻辑，并将输出结果注入到当前会话上下文中，核心代码如下：

// 解析消息中的 @skill 指令functionparseSkills(text){constskillRegex=/@skill\s+([a-zA-Z0-9_]+)/g;letmatch;while((match=skillRegex.exec(text))!==null){constskillName=match[1];constskill=loadSkill(skillName);if(skill){// 执行Skill，返回结果替换 @skill 占位符text=text.replace(`@skill${skillName}`,executeSkill(skill));}}returntext;}

4.3 Skill 与 LLM Wiki 的联动

每次Skill执行后，系统会将其输入输出、用户反馈记录到LLM Wiki的 `/skills/logs/` 目录，用于后续分析优化Skill本身，实现能力的持续迭代。

5. 上下文管理（Context Management）

上下文管理负责维护会话状态、项目知识、临时记忆，确保多轮对话和Agent之间的信息不丢失、不冲突，为智能体决策提供完整、准确的依据。

5.1 三层上下文结构

5.2 上下文注入策略

每次调用LLM前，系统会动态构建上下文，整合各层级信息，确保智能体获取所需的全部约束和信息，核心代码如下：

asyncfunctionbuildContext(sessionId,userInput,stage){constsession=sessions.get(sessionId);constprojectId=session.projectId;// 1. 会话历史（最近10轮，避免上下文过长）constrecentHistory=session.history.slice(-10);// 2. 项目设计文档当前版本（从Wiki读取）constdesignDoc=awaitreadWikiFile(projectId,'ALIGNMENT.md');// 3. 当前阶段的任务清单（如果存在）consttasks=awaitreadWikiFile(projectId,'tasks.json');// 4. 匹配的规范（基于用户输入的关键词）constrelevantSpecs=awaitmatchSpecs(userInput);// 5. 用户规则constuserRules=awaitloadUserRules(session.userId);return{history:recentHistory,design:designDoc,tasks:tasks,specs:relevantSpecs,userRules:userRules,stage:stage};}

5.3 上下文冲突解决

当不同来源的规则发生冲突时，遵循以下优先级（从高到低），确保规则执行的一致性：

用户规则 > 项目规则 > 会话层指令 > 知识层规范

6. 自带Agent设置（Built-in Agents）

系统内置5个专业Agent，覆盖游戏开发全流程（策划、架构、编码、测试等）。每个Agent拥有独立的角色定义、边界约束、提示词模板和允许使用的Skill列表，配置统一存储在 `config/agents.json`，支持灵活调整。

6.1 Agent配置示例

{"agents":[{"name":"Planner","role":"游戏策划师","model":"doubao-1.5-pro","system_prompt_file":"prompts/planner_system.txt","allowed_skills":["clarify_mechanic","art_style_selector"],"rules_scope":["game_design.md"],"output_format":"markdown","user_interaction":"must_confirm_before_next"},{"name":"Architect","role":"架构师","model":"doubao-1.5-pro","system_prompt_file":"prompts/architect_system.txt","allowed_skills":["task_decomposer","mermaid_generator"],"rules_scope":["tech_stack.md","tasks_format.md"],"output_format":"markdown+mermaid","user_interaction":"auto_continue"},{"name":"Programmer","role":"程序员","model":"deepseek-v3","system_prompt_file":"prompts/programmer_system.txt","allowed_skills":["canvas_game_loop","collision_aabb"],"rules_scope":["coding_style.md","tech_stack.md"],"output_format":"html+css+js","user_interaction":"silent"},{"name":"QA","role":"测试官","model":"deepseek-r1","system_prompt_file":"prompts/qa_system.txt","allowed_skills":["playtest_simulator","performance_check"],"rules_scope":["test_report_format.md"],"output_format":"markdown","user_interaction":"report_only"}]}

6.2 Agent 调用流程

协调器根据用户需求，选择合适的Agent链并依次调用。每个Agent执行时，会自动加载其专属的system prompt、允许使用的Skill和对应的项目规则，确保输出符合约束，核心代码如下：

asyncfunctionrunAgent(agentName,input,context){constagentConfig=getAgentConfig(agentName);constsystemPrompt=awaitreadFile(agentConfig.system_prompt_file);constprojectRules=loadProjectRulesForAgent(agentConfig.rules_scope);constfullPrompt=`${systemPrompt}\n\n【项目规则】\n${projectRules}\n\n【输入】\n${input}`;constresponse=awaitcallLLM(agentConfig.model,fullPrompt,context);returnresponse;}

7. Cursor三层规则（Three-tier Rules in Cursor）

Cursor编辑器提供三层规则机制，用于控制AI编码行为。本系统生成的最终提示词会自动适配该规则格式，便于用户直接复制到Cursor中使用，实现系统与编辑器的无缝对接。

7.1 Cursor三层规则定义

7.2 规则文件格式（`.mdc`）

Cursor规则采用Markdown + YAML Frontmatter格式，便于编辑和识别，示例如下：

---description:项目技术栈约束globs:*.js,*.htmlalwaysApply:true---# Canvas游戏开发规范1. 必须使用 `requestAnimationFrame` 实现游戏循环。 2. 碰撞检测使用AABB算法，不允许使用第三方库。 3. 所有游戏状态变量统一定义在 `gameState` 对象中。 4. 禁止使用 `eval` 和 `innerHTML` 动态生成代码。

7.3 从本系统生成Cursor规则

系统可自动将项目规则（`.rules/`）和用户规则转换为Cursor规则文件，无需手动编辑，核心代码如下：

functiongenerateCursorRules(projectRules,userRules){letcursorRules=[];// 转换技术栈规则if(projectRules.tech_stack){cursorRules.push(`--- description: 技术栈约束 globs: *.js,*.html alwaysApply: true ---${projectRules.tech_stack}`);}// 转换用户代码风格规则if(userRules.preferences.code_style){cursorRules.push(`--- description: 代码风格（用户偏好） globs: *.js alwaysApply: false ---${userRules.preferences.code_style}`);}// 写入 .cursor/rules/ 目录writeCursorRules(cursorRules);}

7.4 三层规则在开发中的实际效果

• 全局规则：保证所有项目的基本质量（如禁止 `eval`，避免安全风险）。

• 项目规则：确保当前游戏符合技术选型（如强制使用Canvas，避免框架依赖）。

• 本地规则：允许开发者临时覆盖规则（如调试时放宽性能要求，提升开发效率）。

本系统会将项目规则映射为Cursor的项目规则，用户规则部分映射为本地规则，实现开发流程的无缝衔接。

8. LLM Wiki 集成与反馈进化

LLM Wiki 是系统的知识底座，负责存储所有规则、会话记录、Skill和反馈日志，结合Obsidian实现可视化管理，同时通过反馈链路实现系统的自进化。

8.1 Wiki 结构（兼容Obsidian）

Wiki目录结构设计兼容Obsidian，支持双链、图谱视图等功能，便于规则的可视化管理和维护，结构如下：

/llm_wiki/ .cursor/# Cursor全局规则会链接到这里user_rules/# 用户规则JSONprojects/{projectId}/ .rules/# 项目规则（git跟踪）sessions/# 会话记录specs/# 从反馈提炼的规范skills/# 项目级自定义Skillglobal_skills/# 全局Skill库specs_index.json# 规范索引

8.2 反馈 → 规范 → 规则 的转化链路

系统通过闭环反馈机制，实现规则的持续优化，具体链路如下：

1. 用户在某次对话中对智能体输出点击“不满意”（反馈）。

2. 规范提炼Agent分析反馈内容，生成新的规范条目（存入 `specs/`）。

3. 系统管理员（或自动机制）将高频、通用的规范，提升为项目规则或用户规则。

4. 项目规则会自动同步到Cursor的项目规则文件中，影响后续代码生成。

8.3 Obsidian 双链与规则可视化

在Obsidian中打开 `/llm_wiki` 仓库后，可实现规则的可视化管理和快速关联：

• 每个规则文件（`.mdc` 或 `.md`）可相互链接，形成知识网络。

• 用 `[[项目规则/tech_stack]]` 引用技术栈规则，点击即可跳转查看。

• 用 `[[用户规则/alice]]` 查看特定用户的偏好设置。

• 支持图谱视图，直观查看规则之间的引用关系和层级关联。

注：Obsidian客户端可通过官网 https://obsidian.md/ 下载，打开 `/llm_wiki` 文件夹即可完成集成。

9. 完整部署示例

以下为系统的完整部署步骤和实际使用示例，帮助开发者快速上手，实现零编程游戏开发。

9.1 搭建步骤

1. 克隆系统仓库（假设已有仓库，若需获取完整代码，可参考文末说明）。

2. 安装依赖：在项目根目录执行命令 `npm install`，安装express、chokidar、openai等依赖。

3. 配置用户规则：编辑 `config/default_user_rules.json`，设置默认的用户偏好和自定义规则。

4. 配置项目规则：在目标游戏项目目录下创建 `.rules/` 文件夹，放入 `tech_stack.md`、`coding_style.md` 等规则文件。

5. 启动服务：执行命令 `npm start`，启动后端服务。

6. Cursor配置：将项目根目录作为Cursor项目打开，系统会自动生成 `.cursor/rules/` 规则文件，无需手动配置。

注：GitHub仓库 https://github.com/example/llm-game-builder 目前解析失败，暂无法获取完整代码，后续可检查链接后重新获取。

9.2 示例：做一个“太空射击游戏”

用户规则（alice）

{"custom_rules":["所有游戏必须支持键盘和触摸两种操作"]}

项目规则（space_shooter/.rules/tech_stack.md）

使用Canvas API，玩家飞船为三角形，敌人为圆形。

系统运行流程

1. 用户输入：“做太空射击游戏”。

2. 协调器加载用户规则（支持键盘+触摸）和项目规则（Canvas、飞船/敌人形状）。

3. 策划师Agent提问：“射击方式是单发还是连发？”（根据规范自动澄清关键细节）。

4. 用户回答后，架构师Agent拆分任务（如飞船绘制、敌人生成、碰撞检测等）。

5. 程序员Agent生成代码，自动遵循项目规则中的“三角形飞船”“Canvas API”约束，同时满足用户规则的操作要求。

6. 最终代码可直接复制到Cursor中，Cursor加载项目规则进一步辅助编码，确保代码符合规范。

结语

本文构建了一套从用户到编辑器、从规则到技能的完整AI辅助游戏开发规范体系。通过分层规则、Skill复用、上下文隔离、自带Agent以及Cursor三层规则的有机结合，实现了“零编程、高复用、自进化”的游戏开发工具，降低游戏开发门槛，提升开发效率。

后续工作

• 实现规则的可视化编辑界面（基于Obsidian插件开发）。

• 建立公共Skill市场，支持开发者上传、下载、分享可复用Skill。

• 支持更多的目标平台（如微信小游戏、Unity），扩展工具的适用场景。