企业官网建设流程全解析

1. 三个模型同台做3D游戏，我为什么选了这个题目

最近圈子里讨论度比较高的几款模型，Step 5 Preview、DeepSeek V4 Pro、GLM5.3，各自都有不少拥趸。单独跑分、单独写算法题，大家可能都见过不少对比，但真正放到一个完整的、有交互、有渲染、有状态管理的项目里，差距往往不是靠几道LeetCode能看出来的。我这次干脆把三个模型拉到同一个任务上——从零做一个能跑起来的3D游戏，看看它们在真实工程场景下各自的表现。

选3D游戏作为测试载体，不是随便拍脑袋决定的。3D游戏这个场景天然具备几个特点：它同时涉及数学计算（向量、矩阵、碰撞检测）、图形渲染管线、状态机管理、输入事件处理、资源加载与释放，还要考虑性能。这些维度几乎覆盖了一个中大型前端/客户端项目的所有核心难点。一个模型能不能把3D游戏做出来，基本能反映它在复杂工程任务上的综合能力。

另外，这次测试还涉及一个绕不开的工具——WorkBuddy。热词里大量出现WorkBuddy相关的搜索，比如"workbuddy使用教程""workbuddy skill""workbuddy自定义指令""workbuddy跨对话记忆skill"等等，说明很多人正在把它当作日常开发的工作台。我在这次实测中，也把WorkBuddy作为统一的调度和协作环境来用，让三个模型在相同的工具链条件下完成任务，尽量保证对比的公平性。

这篇文章会完整还原我的测试设计、每个模型的实际产出、踩到的坑，以及我从这次对比中总结出的、关于"什么任务该交给哪个模型"的判断依据。如果你正在纠结选哪个模型做项目，或者想了解WorkBuddy在真实开发流程里怎么用，这篇应该能给你一些直接可参考的结论。

2. 测试任务的设计：一个3D游戏到底要拆成哪些模块

2.1 为什么不用"写个贪吃蛇"这种题目

很多人做模型对比，喜欢用"写一个贪吃蛇""实现一个待办列表"这种题目。这类任务的问题是太短、太封闭，模型只要把常见代码模式背出来就能拿高分，区分度很低。3D游戏不一样，它没有一个可以照抄的标准答案，必须真正理解需求、做技术选型、处理边界情况。

我最终定的任务是：做一个第一人称视角的3D迷宫探索游戏。玩家在迷宫中移动，收集散落的物品，找到出口。要求包含：基于WebGL的渲染、键盘鼠标控制、碰撞检测、小地图、计时与计分、以及一个简单的开始/结束界面。

这个任务规模适中，既不会大到模型完全跑偏，也不会小到看不出差异。更重要的是，它强制模型必须处理"渲染循环"和"状态同步"这两个3D游戏的核心问题。

2.2 任务拆解与验收标准

为了让三个模型的产出可对比，我把任务拆成了六个可独立验收的模块，每个模块都有明确的通过标准：

验收标准写清楚之后，我给三个模型的提示词是完全一致的，只说明需求和验收标准，不提供任何代码框架，让它们从零开始。这样才能看出模型在"从需求到实现"这个完整链路上的能力。

2.3 WorkBuddy在测试中扮演的角色

这次测试我用WorkBuddy作为统一的工作台。具体来说，三个模型都在WorkBuddy的环境里运行，通过它的自定义指令功能，我给每个模型设定了相同的项目规则，比如代码风格、文件组织方式、注释要求。热词里有人问"给workbuddy定几条规则，后续对所有任务都生效"，这个功能在这次测试里帮了大忙——我只需要配置一次规则，三个模型都遵循同一套约束，排除了风格差异带来的干扰。

另外，WorkBuddy的跨对话记忆skill在这次多轮迭代中也很关键。3D游戏的开发不是一次生成就能完成的，需要多轮修改。有了跨对话记忆，模型在后续轮次里能记住之前的设计决策，不会每次修改都把之前的架构推翻重来。这一点在对比中体现得很明显——没有记忆能力的模型，改到第三轮就开始自相矛盾了。

3. Step 5 Preview的首轮表现：架构清晰但细节需要打磨

3.1 它给出的技术选型与理由

Step 5 Preview拿到需求后，第一件事是给出了技术选型说明。它选择了Three.js作为渲染引擎，理由是Three.js封装了WebGL的底层细节，能快速搭建3D场景，同时保留了足够的灵活性来处理自定义的碰撞检测逻辑。这个选择我认为是合理的——从零手写WebGL对模型来说风险太大，容易在着色器层面翻车。

在迷宫生成上，它选择了递归回溯算法（Recursive Backtracking）。这个算法生成的迷宫保证连通、没有死循环，而且实现起来不算复杂。Step 5 Preview在代码注释里解释了为什么不用Prim算法——因为递归回溯生成的迷宫路径更"蜿蜒"，探索体验更好。这个细节说明它不只是把算法堆上去，而是考虑了游戏体验。

在状态管理上，它用了一个简单的状态机，把游戏分成"菜单""游戏中""结算"三个状态。这个设计很干净，避免了用一堆布尔标志位来管理游戏状态。实测下来，状态切换没有出现逻辑混乱。

3.2 首轮代码的实际运行效果

首轮生成的代码直接跑起来，整体是能玩的。迷宫正常生成，玩家可以移动，能收集物品，到达出口会弹出结算界面。但细节上有几个明显问题：

第一个问题是鼠标转向的灵敏度没有做归一化处理。不同刷新率的显示器上，转向速度不一样。在高刷屏上转得太快，在60Hz屏幕上又偏慢。这是一个典型的"没考虑设备差异"的问题，说明模型在写输入处理时，默认了固定的时间步长。

第二个问题是碰撞检测用的是简单的AABB（轴对齐包围盒），在迷宫这种全是直角墙体的场景里够用，但玩家贴墙移动时会有轻微抖动。原因是碰撞响应没有做位置修正，只是简单地阻止移动。这个抖动幅度不大，但仔细看能看出来。

第三个问题是性能。首轮代码里，每一帧都在重新计算迷宫的可见性，没有做任何剔除优化。在迷宫规模变大时，帧率会明显下降。我实测把迷宫从15x15扩大到31x31，帧率从60掉到了35左右。

3.3 迭代两轮之后的完成度

针对上面三个问题，我让Step 5 Preview迭代了两轮。第一轮修鼠标灵敏度和碰撞抖动，第二轮做性能优化。

鼠标灵敏度问题，它引入了基于deltaTime的转向计算，把转向速度乘以帧间隔时间，这样不同刷新率下体验就一致了。碰撞抖动问题，它在碰撞响应里加了位置回退，检测到碰撞后把玩家位置推回到碰撞前的合法位置，而不是简单地阻止移动。这两个修改都很到位。

性能优化这轮，它做了视锥剔除（Frustum Culling），只渲染相机视野内的墙体。同时把迷宫墙体做了合并，减少了draw call数量。优化后，31x31的迷宫帧率回到了55FPS以上。

两轮迭代后，Step 5 Preview的完成度是最高的。它的优势在于架构清晰、迭代方向准确，每次修改都能命中问题核心。缺点是一开始对设备差异和性能边界考虑不足，需要人工指出问题才会去优化。

4. DeepSeek V4 Pro的路线：数学功底扎实，但工程组织偏弱

4.1 它在碰撞检测上的处理明显更严谨

DeepSeek V4 Pro拿到同样的需求后，走了一条不太一样的路。它在碰撞检测上没有用简单的AABB，而是用了胶囊体（Capsule）碰撞。胶囊体碰撞在FPS游戏里是标准做法，因为它能更好地处理玩家贴墙和过拐角的情况，不会出现AABB那种"卡在墙角"的问题。

这个选择说明DeepSeek V4 Pro对3D游戏的实际需求理解得更深。胶囊体碰撞的实现涉及点到线段的最短距离计算，数学上比AABB复杂不少，但它一次就写对了。我检查了它的距离计算函数，向量运算和边界处理都没有问题。

在迷宫生成上，它用了另一种算法——随机化Kruskal算法。这个算法生成的迷宫和递归回溯不同，路径更"均匀"，没有特别长的走廊。两种算法各有优劣，但从实现质量看，DeepSeek V4 Pro的代码更规范，边界条件处理得更完整。

4.2 代码组织上的短板暴露

DeepSeek V4 Pro的问题出在工程组织上。它把所有逻辑都塞进了一个大文件里，场景、相机、碰撞、UI、状态管理全混在一起，超过800行。虽然功能都能跑，但可维护性很差。我想改一个UI的样式，得在几百行里翻半天。

更麻烦的是，它没有做模块拆分，导致后续迭代时改动容易互相影响。我让它加一个"暂停"功能，结果它修改状态管理逻辑时，不小心影响了结算界面的触发条件，导致到达出口时有时候不弹结算。这个bug排查起来很费劲，因为所有逻辑都缠在一起。

另外，它在资源管理上也有疏漏。Three.js的几何体和材质在场景切换时没有释放，反复开始新游戏会导致内存持续增长。这个问题在短时间测试里看不出来，但连续玩十几局之后，浏览器内存占用明显上升。

4.3 数学强、工程弱的典型画像

综合来看，DeepSeek V4 Pro呈现出一个很典型的画像：底层算法和数学计算能力很强，碰撞检测、向量运算、迷宫生成这些"硬核"部分做得比另外两个模型都好；但在工程组织、模块拆分、资源管理这些"软件工程"层面，明显偏弱。

这个特点决定了它的适用场景。如果你的任务是算法密集、数学密集的，比如物理模拟、路径规划、几何计算，DeepSeek V4 Pro是很靠谱的选择。但如果是需要长期维护、多人协作的工程项目，它的代码组织方式会带来不少麻烦，需要人工做大量的重构。

我在WorkBuddy里给它加了一条自定义指令，要求"所有代码必须按功能拆分成独立模块，单文件不超过200行"。加上这条规则后，它第二轮的输出明显改善了，文件结构清晰了很多。这也说明，模型的能力边界有时候可以通过工具侧的约束来弥补。

5. GLM5.3的取舍：UI出彩，核心逻辑偏保守

5.1 界面和交互反馈是它的强项

GLM5.3在三个模型里，UI做得是最好的。它生成的开始界面有渐变背景、按钮有悬停动效、HUD上的计时器和计分板排版很舒服，结算界面还加了简单的动画过渡。这些细节另外两个模型都没怎么管，但GLM5.3主动做了。

交互反馈上也是。收集物品时，它加了一个缩放消失的动画和音效提示（用Web Audio API生成的简单音调）；到达出口时，屏幕会有一个淡出效果再切到结算界面。这些体验上的打磨，说明GLM5.3在"用户感知"这个层面考虑得比较多。

我猜测这和它的训练侧重有关。GLM系列在中文语境下的对话和内容生成一直表现不错，对"什么让人感觉舒服"这件事可能有更好的直觉。放到游戏开发里，就体现为对UI和反馈的重视。

5.2 核心玩法逻辑上的保守选择

但GLM5.3在核心玩法逻辑上偏保守。它的碰撞检测用的是最简单的"网格占位"方式——把迷宫看成一个个格子，玩家移动前检查目标格子是不是墙。这种方式实现简单，在格子对齐的场景下够用，但玩家移动是连续的，不是一格一格跳的，所以贴墙移动时会有明显的"吸附感"，不够顺滑。

迷宫生成它用了最基础的深度优先搜索，没有做随机化处理，导致每次生成的迷宫结构比较相似，重复可玩性不高。性能方面，它没有做任何剔除优化，但因为场景简单，帧率还能维持在可接受范围。

状态管理上，它用了一堆布尔变量（isPlaying、isPaused、isGameOver）来控制，没有用状态机。这种写法在状态少的时候没问题，但状态一多就容易出现互斥逻辑错误。我测试时发现，如果在结算界面快速点击"重新开始"，有时候会同时触发两个状态，导致界面显示异常。

5.3 三轮迭代后的最终状态

GLM5.3我迭代了三轮。第一轮修碰撞的吸附感，第二轮优化迷宫生成的随机性，第三轮修状态管理的互斥问题。

碰撞吸附感这轮，它把网格占位改成了基于射线检测的方式，向前方发射射线判断是否撞墙，移动顺滑了很多。迷宫随机性这轮，它在DFS基础上加了随机权重，让生成结果更多样。状态管理这轮，它终于换成了状态机，互斥问题解决了。

三轮之后，GLM5.3的完成度追上来不少，UI依然是三个里最好的，核心逻辑也达到了可用水平。但整体迭代效率不如Step 5 Preview，每轮修改的精准度稍差一些，有时候改了一个问题会引入一个小新问题。

6. 三个模型的能力对比与选型建议

6.1 一张表看清各自的位置

把三个模型在六个模块上的表现整理成表格，差异就很直观了：

从这张表能看出来，三个模型没有一个是全面碾压的，各有各的强项和短板。选哪个，取决于你的任务更看重哪些维度。

6.2 不同任务场景下的选择逻辑

如果你做的是需要长期维护的工程项目，Step 5 Preview是首选。它的代码组织最规范，模块拆分清晰，迭代时不容易引入回归问题。虽然首轮可能需要你指出一些优化点，但它改得准、改得快。

如果你做的是算法密集、数学密集的任务，比如物理引擎、路径规划、几何处理，DeepSeek V4 Pro更合适。它的底层计算能力是三个里最强的，能一次写对复杂的数学逻辑。但你要接受它的代码组织需要人工重构，或者像我一样在WorkBuddy里加约束规则来强制它拆分模块。

如果你做的是面向用户的产品，UI和交互体验很重要，GLM5.3值得考虑。它在界面打磨和反馈设计上有明显优势，能让产品第一眼看起来更专业。但核心逻辑部分你需要多花点时间验收和迭代。

6.3 WorkBuddy在多模型协作中的实际价值

这次测试让我对WorkBuddy的价值有了更具体的认识。它不只是一个"跑模型的工具"，更像是一个统一的工作台，让多个模型在相同的规则和记忆条件下工作。

具体来说，三个地方帮了大忙。一是自定义指令，我可以给每个模型设定统一的代码规范，排除风格差异的干扰。二是跨对话记忆，多轮迭代时模型能记住之前的设计决策，不会每次推翻重来。三是工作台的统一管理，三个模型的产出都在同一个环境里，对比和切换很方便。

热词里有人问"workbuddy怎么更改系统缓存目录""workbuddy win7能不能用""docker安装workbuddy"这些问题，说明大家在使用层面还有不少疑问。我的建议是，先把基础的自定义指令和记忆功能用起来，这两个功能对开发效率的提升最直接。至于缓存目录、系统兼容性这些，属于环境配置问题，按官方文档走就行，不用太纠结。

7. 实测中踩到的坑和几条实用经验

7.1 提示词里必须写清楚验收标准

这次测试最大的教训是：提示词里一定要写清楚验收标准。我第一轮给三个模型的提示词只说了"做一个3D迷宫游戏"，结果三个模型的产出差异很大，有的连基本功能都不全。第二轮我把六个模块的验收标准写进去之后，三个模型的产出质量都明显提升。

模型不是不会做，而是不知道你要什么标准。你把标准写清楚，它就能往那个方向努力。这一点在WorkBuddy里尤其重要，因为它的自定义指令可以复用，你写一次标准，后续所有任务都能用。

7.2 多轮迭代时不要让模型"自由发挥"

3D游戏这种复杂任务，一次生成不可能完美，必须多轮迭代。但迭代时有个坑：如果你只说"优化一下性能"，模型可能会大改架构，把之前能跑的功能改坏。我的做法是，每次迭代只针对一个具体问题，明确说"只改碰撞检测，不要动其他模块"。这样能把改动范围控制住，避免回归问题。

WorkBuddy的跨对话记忆在这里也有帮助。模型记得之前的架构决策，就不会轻易推翻重来。但即便如此，明确限定改动范围仍然是必要的。

7.3 性能问题要尽早暴露

三个模型在首轮都没有主动做性能优化，都是等我指出问题才去改。这说明模型在生成代码时，默认场景规模不大，不会主动考虑性能边界。

我的经验是，在提示词里就直接写明性能要求，比如"迷宫规模最大31x31，中端设备帧率不低于50FPS"。把性能作为验收标准的一部分，模型就会在生成时考虑剔除、合并等优化手段。等到跑起来发现卡顿再去优化，往往要改的地方更多。

7.4 资源释放是最容易被忽略的环节

三个模型里，只有Step 5 Preview在迭代后主动加了资源释放逻辑。另外两个模型都没有处理Three.js几何体和材质的释放，反复开始新游戏会导致内存增长。

这个问题在短时间测试里不明显，但真实产品里是致命的。如果你用模型生成3D项目，一定要在验收标准里加上"资源释放"这一条，或者在代码审查时专门检查dispose调用。模型不会主动想到这一点，因为它看不到长时间运行后的内存曲线。

8. 关于模型选型，我现在的判断

做完这次实测，我对三个模型的定位更清楚了。Step 5 Preview是"工程型选手"，架构清晰、迭代精准，适合需要长期维护的项目。DeepSeek V4 Pro是"算法型选手"，数学和底层计算强，适合技术密集型的任务。GLM5.3是"产品型选手"，UI和交互体验好，适合面向用户的产品开发。

但我也要说，这三个模型没有绝对的优劣，只有适不适合。而且模型的能力边界不是固定的，通过WorkBuddy这样的工具侧约束，可以弥补不少短板。比如给DeepSeek V4 Pro加一条"单文件不超过200行"的规则，它的代码组织问题就改善了很多。

最后分享一个我自己的做法：不要只用一个模型。复杂项目里，我经常让Step 5 Preview搭架构，让DeepSeek V4 Pro写核心算法，让GLM5.3做UI。三个模型各司其职，产出质量比单用一个模型高不少。WorkBuddy的统一工作台让这种多模型协作变得很顺手，这也是我觉得它比单纯"跑模型"更有价值的地方。

如果你也在做类似的模型对比，建议把验收标准写细、把迭代范围控住、把性能要求前置。这三点做到了，对比结果才有参考价值，不然很容易被首轮的表面差异误导。