鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
3
3
1

用LLM从零搭3D小世界编辑器|小白也能搞定的AI Native开发实录

程序猿芙芙
程序猿芙芙
2026-05-24 20:21
阅读 1353
程序猿芙芙
2026-05-24 20:21
阅读 1353

家人们谁懂啊😭!作为刚入门的前端小白,一直想做个3D小项目练手,但Three.js的配置、交互逻辑想想就头大,直到我用「AI Native思维」,靠大模型帮我落地了一个可直接玩的3D小世界编辑器——不用npm、不用构建工具,双击HTML就能打开,还能自己搭迷你村庄! 帅哥美女们帮我的掘金点点赞呗😘👍 完整文章地址👉:https://juejin.cn/post/7641508513420263450

今天就把我的完整开发笔记+踩坑思考分享给大家,全程小白视角,从需求拆解到LLM选型,再到代码落地,每一步都真实可复刻,看完你也能靠AI搞定3D小项目👇

一、先晒成果:我做的3D小世界长这样

先放个成品预览,满足大家的好奇心(毕竟小白做3D,能跑起来就很不容易了😂):

  • 8x8的迷你世界,打开就能玩,不用等加载
  • 鼠标点一点就能放草地、树、房子,还能擦除,共7个工具
  • 拖拽转视角、滚轮缩放,悬停格子有视觉反馈,操作超丝滑
  • 支持3个存档,关闭网页再打开,之前搭的村庄还在
  • 一键生成程序化村庄(有水塘、石堆、房子、小路),懒人福音
  • 磨砂玻璃UI+积木风视觉,颜值在线,拍照发圈绝了

image.png

二、核心思路:AI Native思维,让LLM当我的“专属开发助手”

一开始我也犯了小白的通病:想做的功能很多,但不知道从哪下手,Three.js的API记不住,交互逻辑理不清。后来才明白,与其自己死磕,不如用AI Native思维——把需求拆清楚,让大模型帮我写代码、避坑,我只负责提需求、做校验。

2.1 先写一个“精准到骨子里”的Prompt

Prompt是关键!一开始我只写“帮我做一个3D小世界”,大模型生成的代码要么功能不全,要么不符合我的要求(比如用了Vue、npm),后来我把需求拆成「体验、技术架构、视觉、UI、代码组织」5个部分,写了一个超详细的Prompt,直接复制给豆包,生成的代码一次就满足80%的需求!

完整Prompt(可直接复制复用):

▼
text
复制代码
我想做一个网页上的“3D小世界编辑器”,定位是“摆在桌子上的小模型”那种感觉,不是开放世界游戏 ## 我想要的体验 - 一打开网页能看到一个 8x8 左右的世界,立刻能玩 - 鼠标点格子放东西(草地、土路、水、石头、树、房子、擦除,七个工具) - 拖拽转视角、滚轮缩放 - 鼠标悬停的格子有视觉反馈 - 关闭网页,下次打开还在 - 能切换3个不同的存档世界 - 一个“重置”按钮能给我一个程序化生成的村庄(有水塘、石堆、几栋房子、几棵树、连通的小路) - 一个“清空”按钮全变草地 - 首次打开有个简短操作提示(“拖拽旋转、滚轮缩放、点击放置”之类),几秒后自动淡出 ## 技术架构 - 单页面,零构建:直接双击 HTML 就能打开 - 文件不超过 3 个:一个 HTML、一个 CSS、一个 JS - Three.js 用 CDN 引入(r128 版本),不要 ES module,不要 import map,不要 npm - 不要 React / Vue / TypeScript / Webpack / Vite / OrbitControls - 所有 3D 物体用 Three.js 内置几何体(Box、Cone、Cylinder、Icosahedron 等)拼,不要外部模型或贴图 ## 视觉方向 - "积木玩具"风:颜色饱和、对比明确 - 背景是奶油色或米色(CSS 处理,不是 Three.js 的天空),不要做天空、不要地平线 - 光照要"日光"感而不是"演播室白炽灯"——草地不要被照成发白 - 阴影要柔,不要硬切 ## UI 风格 - 顶部一个标题面板 + 一个存档面板(下拉选 + 重置 + 清空按钮) - 底部居中浮一个工具卡片栏,每个工具卡片有 emoji 图标 + 中文标签 - 右下一个小地图(canvas 2D),俯视显示当前世界,地形用色块、树和房子用剪影 - 全部面板用浅色磨砂玻璃风格(半透明 + 模糊背景),圆角 ## 代码组织 - HTML 只放结构和引用 - CSS 写所有外观 - JS 包成 IIFE,逻辑分段(场景/光照/数据/工厂/交互/持久化/小地图/启动),用注释分隔 - 数据用 `world[x][z] = { terrain, kind }`,所有写入走唯一入口(比如 setCell)

2.2 Prompt意图拆解:小白也能学会的“需求翻译术”

可能有小伙伴会问:为什么要写这么详细?其实这就是AI Native思维的核心——把“我想要什么”翻译成“大模型能理解、能落地的需求”,拆解下来就是3点:

  1. 体验层面:明确“用户能做什么”,比如点击放置、拖拽视角、存档,这些是核心交互,不能含糊
  2. 技术层面:划清“不能用什么”“必须用什么”,比如禁用Vue、npm,指定Three.js版本,避免大模型生成无用代码,减少后续修改成本(小白真的耗不起啊😭)
  3. 视觉和UI层面:明确风格,比如积木风、磨砂玻璃,避免大模型生成的界面“土气”,减少视觉修改的麻烦

这里插一句:很多小白用AI写代码失败,不是AI不行,是Prompt写得太笼统!记住:越具体,AI生成的代码越贴合需求,后续修改越少。

三、LLM选型:小白该选哪个模型?亲测对比

写好Prompt后,我试了豆包、GPT、DeepSeek、Ollama,最终选了「豆包+DeepSeek-V4-Flash」组合,给大家分享我的真实体验(小白避坑指南):

3.1 先搞懂:LLM到底是什么?(小白通俗版)

之前我也对“大模型”一头雾水,后来查了资料才明白:LLM(大语言模型)就是一个“超级大脑”,靠海量数据训练出来,参数量超大,能理解你的需求,还能生成代码、写文章,本质就是一个「概率映射函数」,用公式表示就是:

y=fθ(x) (θ读作“西塔”,是不是很有科技感😂)

  • x:你输入的Prompt(比如我写的3D编辑器需求)
  • y:大模型输出的结果(比如HTML、CSS、JS代码)
  • θ:模型的所有参数(权重),参数量越大,模型越聪明,处理复杂任务越厉害

补充个冷知识:大模型的训练需要海量数据和算力,比如微软花75亿美金收购GitHub,就是为了获取海量代码数据;Meta花148亿美金收购相关公司,也是为了强化模型训练,可见数据和算力对大模型有多重要!

3.2 4个主流模型亲测对比(小白重点看性价比)

模型/工具优势劣势适合小白场景
豆包免费、对中文需求理解好、生成代码可直接运行,支持实时修改处理超复杂逻辑(比如3D物理碰撞)时,代码可能有小bug入门级3D项目、简单前端需求,适合首次尝试AI开发
GPT(3.5/4)逻辑推理强、代码质量高,复杂任务表现好需要科学上网、4.0收费,对小白不友好有一定基础,需要解决复杂代码问题时
DeepSeek性价比高,V4-Flash(1580亿参数)适合复杂代码生成,适配华为芯片部分高级功能收费,界面不如豆包简洁小白进阶,需要生成高质量3D、复杂交互代码时
Ollama本地部署,隐私性好,可安装开源模型需要电脑有独立显卡(算力要求高),部署麻烦有显卡、注重隐私,想本地开发的小白

我的选型结论

小白首选「豆包」生成基础代码,遇到复杂逻辑(比如小地图渲染、存档持久化),用「DeepSeek-V4-Flash」补充修改,既免费又高效,不用折腾部署,也不用花钱买高级模型。

四、开发踩坑:小白必看的3个关键问题

虽然有LLM帮写代码,但小白开发还是会踩坑,分享我遇到的3个核心问题,帮大家少走弯路:

坑1:Three.js版本选错,代码报错

一开始我没指定Three.js版本,大模型生成的代码用了最新版本,导致部分API不兼容,打开网页直接报错:THREE.Scene is not a constructor,当时我都慌了,以为是代码写错了。

解决方案:在Prompt里明确指定Three.js版本(我用的r128),并要求用CDN引入,代码里直接写:

▼
text
复制代码
<script src="https://cdn.jsdelivr.net/npm/three@0.128.0/build/three.min.js"></script>

小贴士:Three.js不同版本API差异较大,小白尽量指定稳定版本,避免兼容性问题。

坑2:存档功能失效,关闭网页数据丢失

大模型生成的代码里,存档用了localStorage,但没有做“数据格式化”,导致切换存档时数据错乱,关闭网页再打开,之前搭的村庄全没了😭。

解决方案:让LLM修改JS代码,给setCell方法加“数据持久化”逻辑,每次修改格子内容,都同步更新localStorage,并且给3个存档分配不同的key,比如:

▼
text
复制代码
// 持久化数据到localStorage function saveWorld() { localStorage.setItem(`3d-world-${currentSave}`, JSON.stringify(world)); } // 读取存档 function loadWorld() { const saved = localStorage.getItem(`3d-world-${currentSave}`); if (saved) world = JSON.parse(saved); }

坑3:视觉效果拉胯,草地发白、阴影过硬

一开始生成的代码,光照用了默认的AmbientLight,导致草地发白,没有“日光感”,阴影是硬切的,完全不符合“积木玩具”的风格。

解决方案:让LLM修改光照逻辑,用DirectionalLight(平行光)模拟日光,加上柔和阴影,代码调整后:

▼
text
复制代码
// 日光效果光照 const directionalLight = new THREE.DirectionalLight(0xffffff, 1.2); directionalLight.position.set(10, 20, 10); directionalLight.castShadow = true; // 柔和阴影 directionalLight.shadow.mapSize.width = 2048; directionalLight.shadow.mapSize.height = 2048; directionalLight.shadow.radius = 4; scene.add(directionalLight);

修改后,草地颜色饱和,阴影柔和,瞬间有了“摆在桌子上的小模型”的感觉!

五、总结与延伸:小白如何用AI做好技术开发?

这次用LLM搭3D小世界编辑器,让我深刻体会到:AI Native思维不是“让AI替你干活”,而是“让AI当你的助手”,小白也能借助AI实现自己的技术想法,核心就3点:

  1. 精准提需求:把需求拆细、写具体,让LLM知道“要做什么、不能做什么”,减少无效输出
  2. 选对工具:小白优先选免费、易上手的模型(比如豆包),复杂任务搭配高性价比模型(比如DeepSeek-V4-Flash)
  3. 主动校验和修改:LLM生成的代码不是完美的,要自己运行测试,遇到报错不要慌,让LLM帮你排查修改,同时自己也能学到知识

延伸思考(欢迎评论区讨论)

  • 如果想给这个3D小世界加“物理碰撞”(比如房子不能放在水里),该怎么修改Prompt?
  • Ollama本地部署,小白需要准备哪些硬件?有没有简化部署的方法?
  • 除了Three.js,还有哪些适合小白的3D开发工具,能配合LLM快速落地项目?

最后,附上我用豆包生成的完整代码(HTML+CSS+JS),需要的小伙伴可以评论区扣“3D”,我直接发你!小白们,别再害怕3D开发了,借助AI,我们也能做出好玩的技术项目❤️

PS:如果大家喜欢这篇笔记,麻烦点赞收藏,后续我会分享更多小白用AI做技术项目的实录,一起进步~

AI
3
1
分享
操作
评论
相关内容
0个评论
全部评论
点击登录,快来和大家讨论吧~
表情
图片
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题

目录

🔥 热门文章
1
手把手教你设计一个成熟的 Agent Harness
2530
2
我用 REA 逆向了付费颜色 APP,结果很意外!
570
3
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
430
4
DeepSeek 全新模型发布,性价比最高的一集!
380
5
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
370
6
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
360
7
又一个国产版 Codex 神器,也来卷办公了!
330
8
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
310
9
AI 越强,被它拒绝的代价就越大 我有时候会想:AI 越来越厉害之后,有些事情,会不会反而越来越难做? 这个想法看起来有点矛盾。AI 明明在降低门槛,让不会写代码的人做出软件,让不会画画的人生成图片,让一个人完成过去需要整支团队才能完成的工作。但今天用 Codex 的时候,AI 拒绝帮我编写 SQL 注入的请求体,而那还是我有源码、在本地跑测试的情况。那么,往后是否只会更难? 我们假设某一天,AI 说:「这个请求违规,我不能帮助你。」到那个时候,你还有多少能力,能绕过它,把事情做完? 这里的「违规」需要打个引号。平台的规则、模型的判断、法律的要求,以及一件事实际有没有造成伤害,彼此之间并不总是画得上等号。一个请求可能确实危险,也可能只是缺少上下文被误判,或者恰好落在某家公司的限制范围里。 无论是哪种情况,随着我们越来越依赖 AI,这句拒绝都可能变得越来越贵。 今天,一个程序员让 AI 帮忙写代码,AI 拒绝了,他大概率还有别的办法:查文档、找开源项目、问同行,或者自己写。麻烦一点,慢一点,但路还在。 可如果十年之后,大部分程序都由 AI 完成,情况就不一样了。 很多人从接触编程的第一天起,就习惯了描述需求、等待生成、运行结果、继续迭代。他们能做出相当复杂的产品,却未必经历过独立处理底层问题的训练。平时,这种能力结构完全够用,效率甚至更高。只有 AI 拒绝的时候,他们才会发现:平常被省掉的那段学习过程,恰好是此刻最需要的东西。 到那时,一次拒绝的成本,可能就从「今晚多花两个小时」,变成「先花半年学会这门技术」。 拿 SQL 注入举个稍显极端的例子:往后,连真正理解这类攻击如何发生、能够独立构造测试的人,会不会也越来越少? 这里也包括那些有正当需求的人。一个开发者想检查自己的旧系统,一个经过授权的安全研究员想复现漏洞,假如 AI 识别到危险模式就拒绝,而使用者又只熟悉「让 AI 帮我检查」,这项原本可以独立完成的工作,就这样卡住了。 但是安全专家不会因此消失,但这类技能可能越来越集中在少数人手里。你仍然可以找专家,只是要付出更多的钱、更多的时间,以及更高的沟通成本。 类似的困境,未必只发生在网络安全领域。 你想从一个停止维护的软件里取回自己的数据,需要解析它的旧文件格式。AI 判断这涉及规避保护措施,拒绝继续。你拥有这些数据,却没有能力把它们读出来。 你买了一台设备,厂商停止提供服务。你想修改程序让它继续运转,过程中需要处理某种访问限制。AI 不愿协助,而你所掌握的维修方式,早已只剩下「把报错发给 AI」。 你想给常用的网站写一个辅助工具,减少重复操作。平台将此归入自动化限制,AI 也据此拒绝。过去会写脚本的人可以自己判断、自己处理;未来的使用者,可能连从哪里开始都不知道。 这些例子有一个共同点:当工具同时承担了「执行工作」和「传授知识」的角色,它的拒绝就不只是挡住了一次任务,也挡住了获得这种能力的机会。 更麻烦的是,这种依赖往往是我们主动选择的,而且每一步都很合理。 既然 AI 几秒钟就能做好,为什么还要花几个月学习?既然公司可以采购成熟的 AI 服务,为什么还要养一支负责基础工作的团队?既然市场上已经很少有人手写这些东西,学校为什么还要花大量时间教? 对个人、公司和学校来说,这些选择都有现实依据。但叠加起来,整个社会保留的独立能力就可能越来越少。等到某项能力突然受到限制,我们才发现,备用方案早已在追求效率的过程中被一点点削掉了。 所以,「AI 越强,做事越便宜」可能只描述了未来的一半。 另一半是:被允许的事情越来越便宜,被拒绝的事情依然需要人工完成,却要面对更少的人才、更高的报价,以及越来越难获得的知识。两边的成本差距,会越拉越大。 有人会说,可以换一个模型,或者用本地模型。这确实是重要的选项。只要工具之间还有充分竞争,开放模型还足够可用,限制就未必能形成真正的门槛。 但备用方案也需要维护。它需要硬件、知识、软件生态,以及一群仍然理解这些系统的人。如果大多数人已经习惯了最方便的商业服务,那么「理论上还有别的办法」和「普通人实际用得起、用得明白」,之间仍然可能隔着很远。 我担心的,正是这段距离。 我不指望 AI 对任何请求都照单全收。对明显会伤害他人的行为设置限制,有充分的理由。但我们也需要关心:限制由谁定义,误判有没有申诉渠道,用户能不能换工具,以及脱离这个工具之后,还剩下多少独立行动的能力。 保留这些能力,平时看起来甚至有点低效,明明可以自动生成,还要理解原理;明明可以一键完成,还要知道手动怎么做。 但这些看似多余的知识,会在工具拒绝、失效、涨价或改变规则的那一刻,成为真正的选择权。 AI 越强,我们可能越需要留意它说「不」的那一刻。 因为那句话的分量,最终取决于:它拒绝之后,我们还能做什么。
310
10
什么是LLM
300