企业官网建设流程全解析

1. 两个月公测下来，Tuanjie AI 在 Unity 项目里到底能干什么

Tuanjie AI 是 Unity 中国推出的游戏开发编程智能体，公测两个月，我把它接进了手头三个不同体量的 Unity 项目里跑了一遍。它不是单纯的代码补全插件，而是一个能读取工程上下文、调用编辑器 API、生成资产并落盘到项目目录的 AI Agent。适合谁用？独立开发者想一个人顶三个人、团队想把重复工作流固化下来、新手想用自然语言操作 Unity 编辑器，这三类人用下来收益最明显。

我试过的场景包括：用一句话搭出一个带地面、玩家、敌人和光照的 3D 场景；让 AI 生成 PlayerController 脚本后自动编译并读取 Console 报错；批量把散落在各处的材质文件归拢到 Assets/Materials；以及不打开 Unity 直接用 Generator MCP 生成 3D 模型和音效。整个过程里，最让我意外的是它对 Unity 工程结构的理解深度——它能读到 Hierarchy 层级、Prefab 结构、Inspector 参数和资产依赖关系，这是外部 AI 工具做不到的。

公测期间免费额度充足，主力 Coding 模型是 GLM-5.2 Max，从 4.7 到 5.2 基本保持发布即接入的节奏。下面我把两个月的实测记录拆成可复制的配置步骤和验证动作，帮你判断它在日常游戏开发中的实际可用性。

2. 接入前的准备：Tuanjie AI 的四种形态与选择建议

Tuanjie AI 提供四种接入形态，覆盖不同工作流。桌面端 Tuanjie Cowork 是完整形态，支持 macOS 和 Windows，打开后选择 Open Game Project 直接打开 Unity 或团结引擎项目，AI 会自动读取工程完整上下文。IDE 插件支持 VS Code、Visual Studio、JetBrains IDEs，适合不想离开编辑器的开发者。引擎内嵌 Codely Bridge 通过 Package Manager 安装cn.tuanjie.codely.bridge，在 Unity 编辑器里通过 Window → Tuanjie AI → Open Bridge Window 打开，它是 CLI 与编辑器通信的桥梁，所有 Unity Tools 都通过 Bridge 调用编辑器 API。Codely CLI 是终端命令行工具，适合自动化、CI/CD 集成和终端重度用户。

我自己的主力组合是桌面端 Cowork 做日常开发，CLI 做批量任务和 CI 集成。如果你只想快速体验，先装桌面端；如果你要接自动化流水线，CLI 是必选项。

安装 CLI 的前置条件是 Node.js 20.0+，推荐预装 ripgrep 加速搜索。Windows PowerShell 安装命令：

irm https://codesearch-plugins.tos-cn-shanghai.volces.com/codely-cli/install.ps1 | iex

macOS/Linux 安装命令：

curl -fsSL https://codesearch-plugins.tos-cn-shanghai.volces.com/codely-cli/install.sh | bash

安装完成后运行codely，首次会自动打开浏览器跳转至 Tuanjie AI OAuth 认证页面，使用 Unity ID 登录即可。凭据本地缓存，后续无需重复登录。

这里要提醒一点：如果你在团队里用，建议把项目级配置和用户级配置分开。项目级配置放在<项目目录>/.codely-cli/settings.json，会覆盖用户级同名配置，这样团队共享的 MCP 和 Skill 不会跟个人配置打架。

3. 可复制配置：settings.json 与 Unity 项目初始化

这一节给你可以直接复制粘贴的配置片段。先做项目初始化，进入 Unity 项目根目录后运行：

cd /path/to/unity/project codely

在交互模式中输入/init unity，会生成 CODELY.md 文件，包含项目类型、渲染管线、已安装的包、场景列表等关键信息。这个文件让 AI 深度理解项目背景，手动补充项目专属规范可以进一步提升输出质量。

接下来配置 MCP Server。配置文件位置：用户级~/.codely-cli/settings.json，项目级<项目目录>/.codely-cli/settings.json。基本配置结构如下：

{ "mcpServers": { "serverName": { "command": "path/to/executable", "args": ["--arg1", "value1"], "env": { "API_KEY": "$API_KEY" }, "cwd": "./working/directory", "timeout": 30000, "trust": false } } }

远程 HTTP MCP Server 示例：

{ "mcpServers": { "remote-api": { "httpUrl": "https://api.example.com/mcp", "headers": { "Authorization": "Bearer ${API_TOKEN}" }, "timeout": 5000 } } }

通过命令行添加 MCP 更简单：

codely mcp add tjlocal https://ai-generator.tuanjie.cn/mcp

如果你用桌面端，在对话框输入/，选择 Manage MCP Servers，填写名称和 URL，选择 Type（Stdio / SSE / Streamable HTTP），新建对话会话后生效。

自定义子代理的配置用 TOML 格式，存放位置：项目级.codely-cli/agents/（优先级更高），用户级~/.codely-cli/agents/。示例：

description = "Unity 测试专家" [agent] name = "unity-tester" system_prompt = """ 你是 Unity 测试专家，专业知识包括： - Unity Test Framework (NUnit) - Play Mode 和 Edit Mode 测试 - Mock 和依赖注入 - 测试驱动开发 """ query = "${task}" [agent.model_config] model = "" temp = 0.1 top_p = 0.95 [agent.tools] allowed_tools = ["read_file", "write_file", "search_file_content", "run_shell_command"] [validation] input_schema = { task = "string", target = "string" } [example] inputs = { task = "为 PlayerController 生成测试", target = "Assets/Scripts/PlayerController.cs" } description = "为指定脚本生成 Unity 测试"

注意task是保留字段且必须为 string 类型，不能定义agent_name，这是系统保留字段。

4. 验证请求：从场景搭建到脚本编译的完整动作

配置完成后，用几个实际动作验证 Tuanjie AI 是否真的能干活。第一个验证：一句话搭建游戏场景。在 CLI 交互模式中输入：

帮我搭建一个 3D 游戏场景： 1. 创建一个 10x10 的 Plane 作为地面，命名为 Ground 2. 给地面添加 MeshCollider 组件 3. 创建一个 Capsule 作为玩家，位置在 (0, 1, 0)，命名为 Player 4. 给 Player 添加 Rigidbody 和 CapsuleCollider 5. 创建 3 个 Cube 作为敌人，随机分布在场景中 6. 给所有敌人添加 Enemy 标签 7. 创建一个 Directional Light 8. 保存场景为 GameLevel

Tuanjie AI 会自动调用unity_scene.create、unity_gameobject.create、unity_gameobject.add_component、unity_editor.ensure_tag、unity_scene.save等一系列工具。执行完成后回到 Unity 编辑器，你应该能看到 Hierarchy 里出现了 Ground、Player、三个 Enemy 和 Directional Light，场景已保存为 GameLevel。

第二个验证：AI 辅助脚本开发加自动编译。输入：

创建一个 PlayerController 脚本： 1. WASD 控制移动，速度 5 2. 鼠标控制视角旋转 3. 空格跳跃，力度 5 4. 包含完整注释和错误处理

然后一键验证：

清空控制台，编译所有脚本，等待编译完成，如果有错误请告诉我详细信息

AI 会调用unity_console.clear→unity_editor.start_compilation_pipeline→unity_editor.wait_for_compile→unity_console.get，读取错误并自动分析修复建议。如果编译通过，Console 里应该没有红色报错，脚本文件出现在 Assets/Scripts 目录下。

第三个验证：批量资产管理。输入：

搜索所有材质文件，将它们移动到 Assets/Materials 文件夹 将 Player 保存为预制体 Assets/Prefabs/Player.prefab， 将所有 Enemy 对象也保存为独立的预制体

执行后检查 Project 窗口，材质文件应该已经归拢到 Assets/Materials，预制体出现在 Assets/Prefabs 下。

第四个验证：Generator MCP 生成资产。配置好https://ai-generator.tuanjie.cn/mcp后，在 Cowork 或 CLI 中直接输入：

生成一张赛博朋克城市背景图 生成一把科幻风格的枪械模型 生成剑击中音效

生成的资产会自动落盘到工程目录，可通过菜单 AI → 搜索生成的资产 在 Project 窗口中统一管理。注意不建议 Generator MCP 与 Generator Extension 同时使用，可能导致模型判断冲突。

5. 常见报错排查：401、local proxy failed、reading choices 与 OAuth

两个月里我踩过的坑主要集中在认证、代理和配置冲突上。下面按真实报错对照排查。

401 Unauthorized：最常见的原因是 OAuth 凭据过期或未正确登录。CLI 中运行codely会重新触发浏览器 OAuth 认证，使用 Unity ID 登录即可。如果桌面端出现 401，检查是否在多个设备同时登录导致凭据冲突，退出后重新登录。另外检查settings.json里 MCP 的env字段是否正确引用了环境变量，$API_KEY这种写法需要确保环境变量已导出。

local proxy failed：这个报错通常出现在网络环境切换后。Tuanjie AI 的 CLI 和桌面端需要稳定的网络连接，如果你在公司内网和家庭网络之间切换，建议重启 CLI 会话。检查settings.json里 MCP 的timeout设置，默认 30000 毫秒，网络较慢时可以适当调大。如果使用远程 HTTP MCP Server，确认httpUrl可达。

reading choices 报错：这个通常出现在模型返回格式异常时。排查步骤：先检查当前使用的模型档位，Core 档位适合长链路实现与复杂调试，Basic 档位适合短问答与轻量改动，在发送消息前切换即可。如果问题持续，尝试新建对话会话，因为修改或新建 Skill 后需要新建会话才能生效。另外检查是否有多个 MCP Server 返回了冲突的工具定义，用/mcp list查看连接状态，用/mcp reload重新加载配置。

OAuth 认证失败：首次运行codely会自动打开浏览器，如果浏览器没有弹出，手动访问终端输出的 URL。确保使用的是 Unity ID 登录，而不是其他账号体系。凭据本地缓存后，后续无需重复登录。如果缓存损坏，删除本地凭据文件后重新登录。

Bridge 状态不可用：桌面端连接编辑器时，如果对话框下方 Bridge 状态不是"可用"，检查 Unity 编辑器中是否已安装 Codely Bridge 包。在 Unity 中通过 Package Manager 安装cn.tuanjie.codely.bridge，然后通过 Window → Tuanjie AI → Open Bridge Window 打开。Console 出现日志后，回到 Cowork，Bridge 状态应变为"可用"。如果 CLI 中 Unity Tools 不工作，运行/upm install安装 Codely Bridge 插件，/upm status查看插件安装状态。

Skill 不生效：修改或新建 Skill 后，需要新建对话会话才能生效。用/skills list列出所有已发现的技能及状态，/skills reload重新扫描并加载所有技能。Skill 存放路径优先级：项目级.codely-cli/skills/高于用户级~/.codely-cli/skills/，同层级内.agents/skills/优先于.codely-cli/skills/。

6. 长期编码与 Agent 工作流：把重复劳动交给 Coding Plan

两个月用下来，Tuanjie AI 最让我省心的不是单次代码生成，而是把重复工作流固化下来。Skills 是这里的关键——一个 Skill 就是一个独立目录，把完成某类专项任务所需的指令流程、脚本、模板、参考文档打包成可被 AI 自动发现、按需激活的标准化能力。平时只加载名称和描述，用到时才加载完整内容，不浪费上下文。

标准目录结构：

my-skill/ ├── SKILL.md # 必须：技能元数据 + 指令 ├── scripts/ # 可选：脚本 ├── references/ # 可选：文档 └── assets/ # 可选：模板、资源

SKILL.md 格式：

--- name: my-skill-name description: 技能的详细描述，说明何时使用以及如何使用 --- # 技能标题 ## When to Use - 描述技能的触发场景 ## Instructions 具体的执行步骤和规则 ## Examples 使用示例

在对话中直接输入create a new skill called 'api-auditor'，Tuanjie AI 会自动生成技能目录、SKILL.md 主文件和标准目录结构。

对于长期编码和 Agent 工作流，Subagents 是另一个提效利器。内置子代理包括@codebase_investigator（代码库分析、依赖关系、架构）、@security-auditor（安全漏洞审计）、@performance-analyzer（性能瓶颈分析）、@git-expert（版本控制操作）、@test-analyst（测试覆盖率分析）、@api-documenter（API 文档生成）。使用方式：

@security-auditor 检查 @src/auth/ 代码的安全漏洞

并行执行需要目录隔离：

并行执行： 1. @security-auditor 审查 src/auth/ 目录 2. @performance-analyzer 分析 src/rendering/ 目录 3. @api-documenter 为 src/api/ 生成文档

如果你要把这套流程接进 CI/CD，CLI 的非交互式执行模式很实用：

codely -p "为 @src/utils/calculator.ts 的 add 函数生成单元测试" codely -p "运行测试" --yolo

--yolo参数跳过确认，适合 CI/CD 场景。GitHub Actions 示例：

name: AI-Assisted Code Review on: [pull_request] jobs: review: runs-on: ubuntu-latest steps: - uses: actions/checkout@v2 - name: Run AI Code Review run: | npm install -g @unity-china/codely-cli codely -p "审查本次 PR 的所有变更，生成 Review 报告" --yolo

模型档位方面，Core 适合长链路实现与复杂调试，Basic 适合短问答与轻量改动，在发送消息前切换即可，无需额外配置。权限模式在执行文件系统操作、Shell 命令、Git 操作等潜在危险操作前会请求确认，CLI 中可用--yolo跳过。

如果你打算长期用这套工作流，建议把团队固定的代码审查 checklist 封装成 Skill，把项目专属规范写进 CODELY.md，把常用 MCP 配置固化到项目级 settings.json。这样新成员加入时，拉下代码就能获得一致的 AI 辅助体验。

需要提醒的是，Tuanjie AI 是 Unity 中国面向游戏开发打造的专业编程智能体，公测期间免费额度充足。如果你在接入过程中遇到认证或配置问题，可以查阅官方文档，或者直接通过模型对话快速验证模型能力。对于长期编码和 Agent 工作流，Coding Plan 提供了更稳定的额度支持。