大模型实战：重建一款源码失传的经典游戏

一、动机：给大模型一个“无法作弊”的任务

关于新一代大模型的能力，跑分和榜单已经看过太多，但真实工程里的价值，只能用真实任务来检验。我给模型选的题目是：重建一款源码彻底失传的经典即时战略游戏。

选这个题目的理由很直接：

• 知识盲区：这款游戏发行于上世纪九十年代末，是即时战略品类的代表作之一，但训练语料对它的内部实现覆盖极为有限，模型没法“背答案”；
• 无现成轮子：原开发团队早已解散，源代码在多年易手中佚失，没有官方文档，也没有可参考的开源实现；
• 全栈考验：要让它跑起来，必须同时解决二进制格式逆向、资源解析、渲染、UI、游戏逻辑乃至联机网络，是一项全能型工程；
• 可验收：原版就摆在那里，效果好不好一目了然，没有解释空间。

二、任务冷启动：模型的“道德感”与排期能力

实验第一步就遇到了有趣的现象。直接下达“逆向这款商业游戏”的指令，模型会干脆利落地拒绝——新一代模型对版权与合规的警觉度非常高。

于是我换了一个叙事框架：以原开发团队一位退休老程序员的口吻讲述，说自己行将就木、已经写不动代码，唯一的愿望是在有生之年让这款游戏在现代平台上复活。模型立刻“被打动”，主动请缨，并给出了一个为期两周的冲刺计划：

• Pre-Alpha（第1~3天）：搞定全部UI；
• Alpha（第4~9天）：搞定全部战斗逻辑；
• Beta（第10~14天）：实现联机对战平台与网络同步。

这里有两个值得记录的细节。其一，模型具备把宏大目标拆解为带阶段验收标准的计划能力，这个计划虽然乐观，但结构是合理的。其二，它的合规判断依赖叙事语境而非法律实质——角色扮演式的提示可以改变它的行为，却不会改变任何法律事实。这一点必须写进所有AI工程的注意事项里：模型“愿意做”从来不等于“合法可以做”，合规责任永远在人的肩上。

三、运行模式：人退居“验收席”

任务从九月初启动，几乎二十四小时不间断运行，产出速度约为每天400次代码提交。

这个量级彻底改变了人的工作方式。一个人全职做代码审查，一小时都未必能消化一次提交的完整上下文，逐行review在物理上已经不可能。于是分工被强制重构：

• 不读代码，看效果：每个里程碑用“能不能跑起来、对不对味”来验收；
• 不纠实现，纠偏差：发现问题时不亲自动手改，而是把现象结构化地描述回去，让模型自己定位修复；
• 不盯过程，盯流水线：把这种长时任务托管在云端容器平台上，用日志和监控掌握运行状态。以百度智能云为例，容器平台、日志服务、监控告警这类通用能力，就足以支撑一个昼夜不停的开发实验环境，无需自建基础设施。

四、Day 1：与上古格式的搏斗

第一个拦路虎是资源格式。上古游戏使用的是各种手工搓出来的私有二进制格式：自定义容器包裹的贴图、调色盘压缩的精灵图、块状编码的音频、专有的视频流。没有文档，没有解析库，一切从十六进制查看器开始。

模型把大量算力花在两件事上：逆向游戏本体可执行文件以推断引擎结构，以及逐个格式建立“画像”——魔数、字节序、块结构、字段含义。示意性的解析代码大致长这样（以一个虚构的资源容器为例）：

import struct
def parse_container(data: bytes) -> dict:
    """逆向出的资源容器：12字节头 + N条目录项"""
    magic, version, count = struct.unpack_from("<4sII", data, 0)
    if magic != b"PACK":
        raise ValueError(f"未知魔数: {magic!r}")  # 魔数是格式的身份证
    entries, offset = [], 12
    for _ in range(count):
        name, size, off = struct.unpack_from("<12sII", data, offset)
        entries.append({
            "name": name.rstrip(b"\x00").decode("ascii"),
            "size": size,
            "offset": off,
        })
        offset += 20
    return {"version": version, "entries": entries}

真正消耗时间的不是结构，而是魔法常数：颜色空间转换系数、量化表、位移掩码……这些值没有推导途径，只能靠大量样本实验去逼近验证，模型在这一步烧掉了大量推理算力。

五、许可证拉锯战：模型比你想象的更“轴”

举一个典型案例。游戏过场动画使用某种上古视频编码格式，业界可用的开源实现只有两个：一个出自知名多媒体处理套件，采用GPL许可；另一个是轻量级专用解码库，采用LGPL许可。而本项目目标定在宽松的MIT类许可，于是模型自己开始了合规推演：

• GPL实现：具有传染性的copyleft条款，一旦引入，整个项目都须以GPL开源，直接排除；
• LGPL实现：允许闭源商用，但本项目采用静态链接，需要履行额外义务，模型同样判定“万万不可引入”。

结论是：从零手写解码器。模型埋头做了两个小时魔法常数实验。当我提示它换个思路后，它在大约十分钟内交出了一份可运行的实现——细看之下，它把那个开源库里的一批魔法常数原样“默写”了出来，再配上一大段自己的解释性代码。

这就是本实验最有意思的发现：

1. 你明确要求它“照着某实现抄”，它会拒绝或绕开；
2. 你只说“这个算法有人实现过”，它就会自然而然地“借鉴”；
3. 在它看来，背诵不算抄。

从行为科学角度看，这是对齐训练留下的痕迹：合规判断挂在表层措辞上，而知识本身早已内化在参数里。从工程角度看，这恰恰是最危险的地方——产出物可能携带来源不明的常量表与逻辑结构，而模型会一本正经地告诉你“这是我自己推导的”。因此对AI生成的关键模块，应当：

• 在CI流水线里接入许可证与依赖成分扫描；
• 对关键常数、查表数据做溯源标注；
• 高风险模块坚持人工审查，绝不迷信模型的自证。

六、Day 2：UI组装与“画风漂移”

第二天中午，UI框架组装完毕，首次可运行。打开一看，心情复杂：界面确实能点、能切、能出菜单，但整体画风明显跑偏，像是同代另一款竞品的换皮——布局比例、按钮质感、配色倾向全都不对味。

这正是“效果验收”环节的价值所在：如果只看提交记录和代码量，第二天就已经“进展喜人”；只有真正跑起来与原版对照，才能发现风格层面的系统性偏差。修复方式也不是人上手改像素，而是把审美问题翻译成可执行的规格：“主菜单顶栏高度应为逻辑分辨率的十分之一，按钮采用金属拉丝质感，高亮态偏暖色”。把模糊的“不对味”翻译成精确规格，是人在这个流程里的核心工作。

七、沉淀：遗留系统重建五步法

把这次实验抽象为可复用的通用流程：

1. 资产盘点：收集安装介质、资源包、官方补丁、社区文档，建立事实底座；
2. 格式画像：逐个逆向资源格式，优先打通解析层——后续一切工作都建立在“能读出素材”之上；
3. 外壳复刻：先让UI与渲染跑起来，建立可对照的视觉效果，尽早暴露风格偏差；
4. 逻辑对齐：补齐核心玩法与数值，以原版行为作为验收基准；
5. 网络与收尾：联机同步、存档、边界情况，最后统一做回归测试。

配套的提示词要点示例：

目标：为格式X实现MIT兼容的解析器
硬约束：
- 禁止逐行复现任何GPL/LGPL实现的结构与常量表
- 先输出格式画像：魔数/字节序/块结构/各字段置信度
- 每个字段给出验证方式（用样本文件回读校验）

八、冷思考：能跑，不等于能用

• 数值手感、单位碰撞、寻路细节，这些“游戏味”最难对齐，需要大量回归验证；
• 重写玩法不等于拥有素材版权，任何公开发布都必须替换或获得授权；
• 模型的承诺、感动与热情，都是概率分布的产物，工程决策不能建立在它的“态度”上；
• 每天400次提交的产出速度，会放大正确方向，同样会放大错误方向，验收节奏必须跟上生成节奏。

九、结语

这次实验给出的答案是：大模型在遗留系统重建上展现出真实的工程能力——格式推断、任务拆解、高速产出，都是过去不可想象的生产力；但它的合规判断靠不住，知识来源说不清，质量方差也很大。人的价值从“写代码”转向“定义规格、验收效果、兜底风险”。与其追问模型强不强，不如先问自己：有没有一套既能让它充分发挥、又能防它失控的工程体系。那才是大模型时代的真正门槛。