GPT-6 Astra怎么做3D游戏？Codex + Blender MCP完整工作流解析

GPT-6 Astra发布以后，3D游戏开发可能是目前最能体现这一代模型变化的应用场景之一。

最近，一名开发者使用GPT-6 Astra配合Codex、Blender MCP和Image Gen，只用一个主要任务就完成了一个视觉效果相当完整的3D游戏Demo。

根据开发者的实际记录，初始版本大约用了45分钟。

更有意思的是，他认为让AI游戏画面从过去常见的“Vibe Coding廉价感”，提升到接近正常游戏美术效果的关键，并不是写更复杂的代码。

而是：

先用图片生成模型确定目标美术效果，再让GPT-6 Astra不断把真实游戏画面向概念图靠近。

这实际上形成了一套非常值得研究的新型AI游戏开发工作流：

概念设计 → 3D建模 → 纹理生成 → 游戏运行 → 截图对比 → 自动修改 → 再次运行。

相比过去单纯告诉AI“帮我做个3D游戏”，这种方式解决了AI游戏开发中一个长期存在的问题：

功能可能做出来了，但画面往往不好看。

GPT-6 Astra做出的3D游戏是什么效果？

这次案例最初来自开发者Anshu。

他使用GPT-6 Astra制作了一个带有体素风格的3D场景，整体采用偏忧郁的反乌托邦视觉方向，并强调真实、有物理感的灯光。

游戏最终运行在浏览器环境中，使用Three.js实现。

开发者后续说明，这个项目没有使用外部现成游戏素材，场景中的主要3D资产由Astra通过Blender完成，纹理则结合图像生成能力制作。

整个Demo的重点并不是展示一个功能非常复杂的游戏。

而是验证一个问题：

AI能不能独立把“游戏概念图”真正还原成可以运行的3D场景？

从最终结果来看，这种工作方式已经表现出很大的潜力。

为什么以前AI生成的3D游戏经常不好看？

使用AI编程工具制作小游戏已经不是什么新鲜事。

过去使用ChatGPT、Claude或者其他Coding Agent，只需要告诉模型：

“帮我做一个3D射击游戏。”

AI通常已经能够完成基本功能。

比如：

• 角色移动
• 摄像机控制
• 敌人
• 碰撞检测
• 简单地图
• 血量系统
• 基本UI

真正容易暴露问题的是画面。

AI知道“游戏需要一座房子”，于是生成一个方盒子。

知道“这里需要一棵树”，于是生成几个绿色几何体。

功能没有错误，但最终结果经常有一种非常明显的：

“AI生成Demo感”。

原因并不是模型不会写代码。

而是文字很难准确描述：

• 材质应该是什么质感
• 灯光应该从什么方向照射
• 雾应该有多浓
• 建筑比例应该怎样
• 色彩应该如何统一
• 整个世界应该是什么审美

这次Astra工作流最聪明的地方，就是不再试图只靠文字解决视觉问题。

关键方法：先生成概念图，再让Astra照着做

开发者总结的核心方法其实并不复杂。

第一步不是直接让Astra写游戏。

而是先确定：

“最终游戏应该长什么样？”

然后使用Image Gen生成目标美术风格的概念图。

接下来再把概念图变成AI开发过程中的“视觉目标”。

这时Astra面对的不再是一句抽象描述：

“我要一个漂亮的反乌托邦城市。”

而是可以直接看到：

最终画面应该接近什么效果。

这会明显降低文字描述中的不确定性。

GPT-6 Astra制作3D游戏需要哪些工具？

这套工作流主要由四部分组成。

1. GPT-6 Astra

负责：

• 理解游戏需求
• 规划整个任务
• 视觉判断
• 3D建模决策
• 代码开发
• 运行和检查结果
• 持续迭代

2. Codex

Codex相当于整个开发工作环境。

Astra可以在Codex中持续操作项目、生成代码、使用Skills，并调用外部工具。

3. Blender MCP

Blender负责真正的3D建模。

通过MCP连接之后，Codex可以把Blender变成Astra能够调用的工具。

这意味着模型不只是告诉用户：

“打开Blender，然后新建一个Cube。”

而是可以实际使用Blender完成相关工作。

4. Image Gen

Image Gen在这套流程中承担两个非常重要的任务：

生成目标概念图，以及生成3D模型需要使用的纹理。

这也是这次案例真正的关键。

第一步：把Codex连接到Blender MCP

整个流程首先需要让Codex能够操作Blender。

这里使用的是MCP。

MCP可以简单理解为：

让AI模型能够连接并使用外部软件和工具的一套接口协议。

连接完成以后，Astra就可以通过Codex调用Blender能力。

例如：

• 创建物体
• 修改几何体
• 设置材质
• 调整摄像机
• 设置灯光
• 导出模型

OpenAI目前官方的GPT-6 Astra模型本身也支持MCP和Skills，因此这类“模型 + 专业软件”的工作方式正在成为Astra非常重要的使用方向。

第二步：告诉Astra你想制作什么游戏

接下来需要提供游戏概念。

这里不需要写一本几十页的游戏策划书。

至少需要说明几个核心内容：

• 游戏类型
• 基本玩法
• 世界观
• 美术方向
• 性能目标

例如可以写成：

制作一个第三人称3D探索游戏Demo。场景是一座被遗弃的未来城市，整体采用略带体素感的风格，但材质和灯光要保持真实。环境应该有孤独、忧郁但又漂亮的感觉。最终需要在浏览器流畅运行，并尽量保持60fps。

这时候不要急着规定每栋房子的尺寸、每一盏灯的位置。

这些具体细节可以让Astra结合概念图自己决定。

第三步：先让Image Gen生成目标画风

这是整套方法最重要的一步。

不要立即开始3D建模。

先让Astra调用Codex中的图像生成能力，生成几张游戏概念图。

例如可以要求：

在开始3D制作之前，先生成几张能够代表最终游戏视觉目标的概念图。重点确定建筑风格、光照、材质、色彩和整体氛围。选择最适合作为游戏场景参考的一版，然后以它作为后续3D实现的视觉标准。

这一步实际上相当于传统游戏团队里的：

Concept Art阶段。

传统开发流程通常也是：

策划需求 → 原画师绘制概念图 → 3D美术根据概念图建模。

区别只是现在：

原画师和3D美术都变成了AI。

第四步：让Astra根据概念图在Blender建模

确定视觉方向以后，就可以开始Blender阶段。

Astra需要分析概念图中的：

• 建筑
• 道路
• 环境物体
• 道具
• 比例关系
• 灯光
• 材质

然后逐个建立3D资产。

这次实测中，一个非常值得关注的地方是：

Astra并不只是调用几个现成模型拼场景，而是让Blender生成需要的资产。

这使最终场景拥有更加统一的视觉风格。

第五步：使用Image Gen生成游戏纹理

只有几何模型还不够。

3D场景最终好不好看，很大程度取决于纹理和材质。

Astra可以继续使用Image Gen，为Blender中的Mesh生成对应纹理。

例如：

• 墙面
• 金属
• 道路
• 混凝土
• 广告牌
• 破损表面

这一步把图像生成模型的优势直接带进了3D制作。

也就是说：

Image Gen不再只是生成最终图片。

它开始成为游戏开发过程中的：

资产生成工具。

第六步：真正运行游戏，然后截图

接下来是整个流程非常关键的一步：

不要相信代码，要相信真正运行出来的画面。

Astra需要运行游戏。

然后获得实际游戏截图。

再把：

游戏截图

和：

最初生成的概念图

进行比较。

这一步相当于给Agent建立了一个非常明确的视觉评价标准。

第七步：让Astra不断自己修改

这就是整套工作流最重要的循环：

概念图 → 游戏截图 → 找差异 → 修改 → 再截图。

如果实际游戏比概念图：

• 太亮
• 建筑太简单
• 纹理太干净
• 灯光没有层次
• 场景太空

Astra就继续修改。

修改以后重新运行。

然后再次比较。

直到真实游戏截图尽可能接近目标概念图。

这和传统Vibe Coding最大的差别就是：

不是“一次生成完就结束”，而是模型拥有自己的视觉反馈循环。

为什么这种方法效果会明显更好？

因为它给AI建立了一个：

可验证的目标。

如果Prompt只是：

“把游戏做漂亮一点。”

那么模型很难判断：

到底什么才算漂亮？

但是如果告诉模型：

“让实际截图越来越接近这张概念图。”

任务突然变得非常明确。

AI只需要不断回答：

现在还差在哪里？

然后修改。

这实际上和软件开发中的自动测试非常类似。

代码有测试用例。

视觉任务则可以拥有：

视觉参考图。

为什么还要要求60fps？

只追求画面效果还有一个问题：

AI可能不停往场景中增加：

• 模型
• 灯光
• 特效
• 高分辨率纹理

最终画面很好看，但游戏根本跑不动。

所以开发者在目标中同时加入了：

60fps。

这相当于告诉Astra：

不仅要尽可能接近概念图，还要满足性能要求。

因此Agent需要在：

画面质量 ↔ 游戏性能

之间寻找平衡。

这种“多个成功标准同时存在”的任务，恰好是Astra比较适合处理的场景。

为什么推荐High推理强度？

原案例使用的是GPT-6 Astra的High reasoning。

这是因为3D游戏开发并不是一个单步骤问题。

它需要模型持续处理：

• 视觉判断
• 代码
• 3D空间
• 性能
• 工具调用
• 错误检查

更高的推理强度可以让Astra投入更多计算完成：

• 验证
• 迭代
• 运行测试
• 视觉检查

不过这并不意味着所有游戏项目都应该直接选择Max。

对于这种复杂但目标清晰的开发任务，High通常已经是一个比较合理的起点。

45分钟真的能完成一个3D游戏吗？

这里需要特别澄清。

原开发者确实表示，第一版大约45分钟完成，而且只消耗了他账户额度的一小部分。

但是他随后专门解释：

最开始要求Astra制作的是一个小型Graphics Demo，而不是完整商业游戏。

因此不能把这个案例写成：

“GPT-6 Astra 45分钟开发了一款完整3D游戏。”

更准确的说法是：

GPT-6 Astra在约45分钟内完成了一个拥有较高视觉完成度、可以运行的3D游戏原型。

游戏真正走向完整产品，还需要继续加入：

• 完整玩法
• 关卡
• 敌人AI
• 存档
• 菜单
• 音频
• 测试
• 性能优化

这个Demo使用的是什么游戏引擎？

根据原作者后续说明，这次展示的Demo使用：

Three.js。

也就是说，它运行在浏览器里。

Three.js本质上是一个Web 3D JavaScript库。

因此可以直接通过浏览器展示：

• 3D模型
• 光照
• 材质
• 摄像机
• 动画
• 游戏交互

不过这套“概念图驱动3D开发”的方法，并不只适用于Three.js。

同样可以应用到：

• Godot
• Unity
• Unreal Engine
• 其他支持AI工具连接的3D开发环境

GPT-6 Astra真的适合Blender吗？

从目前发布后的大量案例来看，Blender已经成为Astra非常重要的展示场景。

原因在于3D建模能够同时测试模型的：

• 视觉理解
• 空间推理
• 软件操作
• 规划
• 持续执行

OpenAI官方自己也展示了使用Astra在Blender中完成3D设计的案例，并把“Design”和“Bring product concepts to life in 3D”作为Astra的商业应用方向之一。

因此：

Astra + Blender并不是一个偶然的社区玩法，而很可能会成为一种新的AI 3D工作方式。

Codex的Image Gen Skill是什么？

Codex现在支持Skills。

可以把Skill理解成：

告诉Codex如何完成某一种专业工作的一套工具和操作方法。

其中就包括图片生成Skill。

OpenAI官方也曾展示过：

Codex结合GPT Image生成游戏素材，然后自己开发、运行和测试游戏。

所以这次3D游戏工作流真正组合起来的是：

GPT-6 Astra的推理和视觉能力 + Codex的开发环境 + Image Gen的视觉生成 + Blender的3D制作。

完整工作流可以总结成什么？

如果把这套流程重新整理，可以得到一个非常清晰的AI游戏开发闭环：

1. 描述游戏玩法和美术方向
2. 使用Image Gen生成概念图
3. 选择目标视觉版本
4. 通过Blender MCP创建3D资产
5. 使用Image Gen创建纹理
6. 开发游戏逻辑
7. 真正运行游戏
8. 截取实际画面
9. 和概念图比较
10. 分析差异
11. 自动修改
12. 检查帧率
13. 重复迭代直到满足要求

真正重要的是最后几步。

以前AI开发经常是：

Generate。

现在则越来越接近：

Generate → Evaluate → Improve。

可以直接使用的GPT-6 Astra 3D游戏提示词

如果已经配置好Codex和Blender MCP，可以根据自己的项目修改下面的结构：

帮我制作一个可以运行的3D游戏原型。

先理解玩法和视觉要求，不要立即开始写最终代码。首先使用图像生成能力制作3到5张目标美术风格的概念图，并选择其中最适合作为最终视觉标准的一版。

通过Blender制作项目需要的3D资产，不使用外部现成游戏资源。需要纹理时可以使用图像生成工具制作，并保证所有资产的视觉风格统一。

完成基础场景以后运行游戏并截图，把真实游戏画面和目标概念图比较。重点检查构图、材质、灯光、色彩、环境密度和视觉氛围，然后自行调整。

持续执行“运行 → 截图 → 比较 → 修改”的循环，直到真实游戏画面已经明显接近概念图。

在保证视觉效果的同时控制性能，目标是在常规桌面环境下尽量保持60fps。

除非遇到会明显改变游戏方向的重要决定，否则不要因为普通细节停止工作询问我。

这种工作流最大的价值是什么？

它真正展示的并不是：

“AI现在会做游戏了。”

而是一种可能影响大量创意工作的模式：

先把目标变成AI能够看见的视觉参考，再让Agent不断把实际结果向目标靠近。

这个方法不仅适用于游戏。

还可以应用到：

• 网页设计
• UI开发
• 室内设计
• 建筑可视化
• 广告设计
• 产品建模
• 动画

例如制作网站时，可以先生成目标设计图。

然后：

写代码 → 浏览器截图 → 和设计稿比较 → 自动修改。

其实和这次3D游戏是完全相同的逻辑。

为什么这可能改变Vibe Coding？

早期Vibe Coding最大的问题之一是：

程序越来越容易做出来，但设计质量没有同步提升。

于是网上出现大量：

• 相似渐变背景
• 相似卡片
• 相似圆角
• 相似图标
• 明显AI感的页面

游戏开发同样存在这个问题。

解决方法可能并不是给Prompt增加更多形容词。

而是：

让模型拥有真正可比较的视觉目标。

这可能是比“学习100个Prompt技巧”更加重要的一步。

普通用户现在能复现吗？

理论上可以，但需要几个前提。

首先需要能够使用GPT-6 Astra。

目前Plus用户正在逐步获得Astra在Work和Codex中的有限使用权限。

其次需要：

• 最新版Codex
• Blender
• 可使用的Blender MCP配置
• 图片生成能力
• 基本的项目环境

GPT-6 Astra在Codex CLI中要求至少使用0.153.0或更新版本。

如果模型列表里没有Astra，需要首先确认：

• 账号是否已经获得Astra
• Codex版本是否最新
• ChatGPT桌面版是否最新

GPT-6 Astra做3D游戏常见问题

GPT-6 Astra可以制作3D游戏吗？

可以。目前已经有开发者使用GPT-6 Astra结合Codex、Blender MCP和Image Gen完成可以运行的3D游戏Demo，并让Astra自主完成建模、纹理和视觉迭代。

45分钟真的能做好一个3D游戏吗？

案例中的初始Demo约45分钟完成，但原作者明确说明最开始只是一个小型图形Demo，并不是45分钟完成一款完整商业游戏。

GPT-6 Astra制作游戏为什么要用Image Gen？

Image Gen可以先生成明确的目标概念图，再让Astra不断将实际游戏截图与概念图比较，从而减少单纯依赖文字描述导致的视觉偏差。

什么是Blender MCP？

它可以让支持MCP的AI开发环境调用Blender相关工具，从而让Agent真正参与3D建模流程，而不是只生成Blender操作教程。

GPT-6 Astra做游戏应该选什么推理强度？

原案例使用High推理强度。复杂3D开发涉及视觉、代码、空间理解和多次工具调用，High比较适合作为此类项目的起点。

必须使用Blender吗？

不是。这套核心方法是“视觉目标 + 自动执行 + 截图反馈 + 迭代”，理论上也可以与Unity、Godot、Unreal Engine以及其他3D工具结合。

必须使用外部游戏素材吗？

原案例没有使用外部现成游戏资产，3D资产由Astra配合Blender制作，纹理则使用图像生成能力创建。

这个案例使用Unity还是Unreal Engine？

都不是。原作者后续说明实际Demo运行在浏览器中，主要使用Three.js。但Blender负责了场景所需的3D资产制作。

ChatGPT Plus能用GPT-6 Astra做这种游戏吗？

Plus正在逐步获得GPT-6 Astra在Codex和ChatGPT Work中的有限使用权限。如果账号已经获得Astra，就可以尝试类似工作流，但复杂Agent任务会消耗相应的Work/Codex额度。

总结：Astra做3D游戏真正厉害的不是“45分钟”，而是它学会了自己看结果

这个案例最容易传播的标题可能是：

“GPT-6 Astra 45分钟做出3D游戏。”

但如果只关注这个数字，反而会错过真正有价值的东西。

Astra这次最值得研究的能力不是：

它写代码有多快。

也不是：

它会不会在Blender里创建一个模型。

真正重要的是，它开始形成了一个完整的视觉反馈循环：

先确定想要什么 → 自己做出来 → 自己看结果 → 找到差异 → 自己修改。

这和过去的AI生成存在本质区别。

过去我们让AI：

“生成一个游戏。”

它生成一次以后任务基本就结束了。

现在则可以告诉Astra：

“最终效果应该接近这张图，不够像就继续改。”

然后模型自己：

• 建模
• 制作纹理
• 开发
• 运行
• 截图
• 比较
• 优化

直到接近目标。

这可能才是GPT-6 Astra在游戏、网页和设计领域真正具有意义的变化。

Vibe Coding正在从“让AI生成一个东西”，逐渐变成“给AI一个目标，让它自己不断做到更接近目标”。