Claude Code + MCP + Unity：用自然语言快速生成可玩游戏原型

1. 从空文件夹到可玩原型：这套组合到底在做什么

一个空文件夹，几段自然语言描述，最后跑起来一个能操控角色移动、能触发碰撞、能播放动画的 Unity 游戏原型——这件事在 2024 年之前听起来像是天方夜谭，但现在确实有人跑通了。核心工具链就三样：Claude Code作为终端里的 AI 编程代理，MCP（Model Context Protocol）作为连接 AI 与外部工具的协议层，Unity作为最终运行游戏引擎的宿主环境。

我第一次看到这个组合的时候，直觉反应是"这不就是把 ChatGPT 塞进终端里写 C# 脚本吗"，但实际跑过一遍之后发现完全不是一回事。传统的 AI 辅助写代码，是你问它答，你复制粘贴，你手动创建文件、手动挂载脚本、手动配置场景。而 Claude Code + MCP 的组合，是 AI 直接在你的项目目录里创建文件、修改文件、执行命令、读取 Unity 的运行时状态，整个过程你只需要在终端里用自然语言下指令。

这套流程解决的核心痛点是：Unity 项目初始化的重复劳动太多。新建一个 3D 项目，光是搭一个能跑能跳的角色控制器，就要创建 Player 脚本、配置 CharacterController 组件、设置输入映射、调整摄像机跟随、处理地面碰撞层。这些工作没有任何创造性，但一个熟练的 Unity 开发者也要花 20 到 40 分钟。而通过 Claude Code + MCP，这个时间可以压缩到几分钟，且全程不需要离开终端。

适合谁来参考这套方案？三类人收益最明显。第一类是刚入门 Unity 但已经有编程基础的人，他们知道怎么写逻辑，但不熟悉 Unity 的组件系统和编辑器操作，AI 可以帮他们跳过大量查文档的时间。第二类是做快速原型验证的独立开发者，需要在一个下午内验证三四个玩法点子，没时间手搓脚手架。第三类是想了解 MCP 协议实际落地场景的技术人，Unity 这个案例比传统的"AI 查数据库"更直观，因为你能亲眼看到 AI 操作一个真实的三维场景。

但必须提前说清楚：这套方案不能替代你理解 Unity。AI 生成的代码经常有微妙的组件引用错误、坐标系混淆、生命周期顺序问题，如果你看不懂 C# 和 Unity 的基本概念，排查起来会比手写还慢。它是加速器，不是替代品。

2. 工具链拆解：Claude Code、MCP、Unity 各自扮演什么角色

2.1 Claude Code 不是聊天窗口，是终端里的执行代理

很多人第一次接触 Claude Code 会误以为它是"命令行版的 Claude 聊天"。实际上它的定位是agentic coding tool，核心能力是在本地文件系统里自主执行多步操作。你给它一个任务，它会自己决定：先读哪些文件、再创建哪些文件、然后运行什么命令验证、发现报错后怎么修。

它的工作模式大致是这样：你在项目根目录运行claude命令进入交互界面，然后用自然语言描述需求。它会调用内置工具（读文件、写文件、执行 bash 命令、搜索代码库）来完成任务。关键在于它有上下文记忆，能记住你前面让它创建的 Player.cs 里定义了哪些方法，后面让它写 GameManager 时就会自动引用正确的类名。

安装方式在不同系统上略有差异。macOS 和 Linux 下通常通过 npm 全局安装：

npm install -g @anthropic-ai/claude-code

Windows 下建议在 WSL2 里操作，因为 Claude Code 对 bash 命令的依赖较重，原生 PowerShell 环境下某些命令会不兼容。安装完成后在项目目录执行claude即可启动。首次使用需要配置 API 凭证，这一步官方文档写得很清楚，按提示走就行。

注意：Claude Code 默认会在当前工作目录及其子目录内操作文件。启动前务必确认你在正确的项目文件夹里，否则它可能修改到无关文件。我习惯在启动前先pwd确认一下路径。

2.2 MCP 协议：让 AI 长出"手"和"眼睛"

MCP 全称 Model Context Protocol，直译是"模型上下文协议"。用生活化的类比：Claude Code 是大脑，MCP 是神经末梢。大脑再聪明，如果没有神经连接到手脚，也没法操作现实世界。MCP 定义了一套标准接口，让 AI 模型能够调用外部工具、读取外部资源。

在 Unity 这个场景里，MCP 的价值体现在两个方向。读方向：AI 可以通过 MCP server 读取 Unity 编辑器的当前状态，比如场景里有哪些 GameObject、某个组件的参数值是多少、控制台有没有报错。写方向：AI 可以通过 MCP 直接操作 Unity 编辑器，比如创建 GameObject、添加组件、修改 Transform、保存场景。

MCP 的架构是 client-server 模式。Claude Code 作为 MCP client，Unity 侧需要一个 MCP server 来桥接。这个 server 通常是一个独立的进程，通过 Unity 的 Editor 扩展接口（EditorWindow、MenuItem、EditorApplication 等）与编辑器通信，同时通过 stdio 或 HTTP 与 Claude Code 通信。

配置 MCP server 的典型方式是在 Claude Code 的配置文件里声明。配置文件通常位于~/.claude.json或项目级的.mcp.json：

{ "mcpServers": { "unity": { "command": "node", "args": ["/path/to/unity-mcp-server/index.js"], "env": { "UNITY_PROJECT_PATH": "/path/to/your/unity/project" } } } }

配置完成后重启 Claude Code，它会自动加载这个 server 并暴露其提供的工具。你可以在对话里问它"你现在能用哪些 Unity 相关的工具"，它会列出可用的 MCP 工具清单。

2.3 Unity 侧的准备：版本选择和项目结构

Unity 版本选择上，推荐 Unity 6 或 2022 LTS。Unity 6 对 GPU Skinning 和渲染管线做了大量优化，跑 AI 生成的示例场景更流畅；2022 LTS 则是生态最稳定的版本，第三方插件兼容性最好。不建议用 2018 或更早的版本，因为部分 C# 语法特性和 API 在旧版本里不存在，AI 生成的代码可能编译不过。

项目结构上，建议在创建项目时就规划好目录：

Assets/ Scripts/ Player/ Managers/ UI/ Scenes/ Prefabs/ Materials/ Animations/

这个结构不是强制的，但 AI 在生成代码时如果看到清晰的目录结构，会更准确地判断文件应该放在哪里。我试过在混乱的项目里让 AI 创建脚本，它经常把文件丢在 Assets 根目录，后期整理很麻烦。

另外要确保 Unity 项目开启了API Compatibility Level 为 .NET Standard 2.1 或 .NET Framework，在 Player Settings 里可以找到。这个设置影响 AI 生成的代码能否使用某些现代 C# 特性。

3. 实操全流程：从零到可玩原型的每一步

3.1 环境搭建与验证清单

在开始让 AI 写游戏之前，先把环境跑通。这一步不能省，否则后面出问题你分不清是环境问题还是代码问题。

第一步，确认 Node.js 版本在 18 以上，执行node -v查看。MCP server 大多基于 Node 实现，版本太低会报语法错误。

第二步，安装 Claude Code 并完成 API 配置。执行claude --version能输出版本号说明安装成功。

第三步，在 Unity 里安装 MCP 桥接插件。目前社区有几个开源实现，核心原理都是在 Unity Editor 里启动一个本地服务，监听来自 Claude Code 的请求。安装方式通常是把插件包拖进 Assets 目录，然后在菜单栏会出现对应的配置入口。

第四步，验证连通性。在 Claude Code 里输入"列出当前 Unity 场景中的所有 GameObject"，如果它能返回场景里的对象列表（新建项目默认有 Main Camera 和 Directional Light），说明 MCP 通道打通了。

实操心得：这一步最容易卡在端口占用上。MCP server 默认监听的端口如果被其他程序占用，连接会静默失败。我遇到过 Unity 插件显示"已启动"但 Claude Code 读不到场景的情况，最后发现是端口冲突。建议在插件配置里换一个不常用的端口，比如 17890。

3.2 用自然语言描述游戏需求

环境通了之后，就可以开始"描述游戏"了。这里有个关键技巧：描述要分层，不要一次性把所有需求倒给 AI。我试过一上来就说"做一个第三人称动作游戏，有连招、有敌人 AI、有装备系统"，结果 AI 生成了一堆互相引用但跑不起来的脚本。正确的做法是按依赖顺序分步来。

第一层描述：场景基础。"在当前场景创建一个平面作为地面，尺寸 20x20，创建一个胶囊体作为玩家，位置在原点上方 1 单位处。"

第二层描述：玩家控制。"给玩家胶囊体添加 CharacterController 组件，写一个 PlayerController 脚本，实现 WASD 移动和空格跳跃，移动速度 5，跳跃高度 2。"

第三层描述：摄像机跟随。"创建一个 CameraFollow 脚本挂到主摄像机上，让摄像机始终在玩家后方 5 单位、上方 3 单位的位置，看向玩家。"

第四层描述：交互元素。"在场景里随机放置 5 个立方体作为可收集物，玩家碰到后立方体消失，控制台打印收集数量。"

每一层描述完，让 AI 执行并验证，确认没问题再进行下一层。这样即使出错，排查范围也很小。

3.3 关键脚本的生成与调试

以 PlayerController 为例，AI 生成的代码大致长这样：

using UnityEngine; public class PlayerController : MonoBehaviour { public float moveSpeed = 5f; public float jumpHeight = 2f; public float gravity = -9.81f; private CharacterController controller; private Vector3 velocity; private bool isGrounded; void Start() { controller = GetComponent<CharacterController>(); } void Update() { isGrounded = controller.isGrounded; if (isGrounded && velocity.y < 0) { velocity.y = -2f; } float x = Input.GetAxis("Horizontal"); float z = Input.GetAxis("Vertical"); Vector3 move = transform.right * x + transform.forward * z; controller.Move(move * moveSpeed * Time.deltaTime); if (Input.GetButtonDown("Jump") && isGrounded) { velocity.y = Mathf.Sqrt(jumpHeight * -2f * gravity); } velocity.y += gravity * Time.deltaTime; controller.Move(velocity * Time.deltaTime); } }

这段代码有几个值得注意的点。velocity.y = -2f这个看似奇怪的赋值，是为了让 CharacterController 在地面上保持一个微小的向下速度，确保isGrounded检测稳定。如果直接设为 0，角色在斜坡上会反复触发"离地-落地"状态。跳跃速度用Mathf.Sqrt(jumpHeight * -2f * gravity)计算，这是从物理公式v = sqrt(2gh)推导出来的，保证跳跃高度精确等于 jumpHeight。

AI 生成这段代码后，通常会自己执行验证：检查脚本是否编译通过、是否挂载到了正确的 GameObject 上。如果 Unity 控制台有报错，它会读取报错信息并尝试修复。我见过它自己发现"CharacterController 组件未添加"然后自动补上的情况，这个闭环能力是它和普通代码生成最大的区别。

3.4 场景组装与运行验证

脚本写完后，让 AI 通过 MCP 完成场景组装。这一步的指令可以很具体："把 PlayerController 脚本挂到名为 Player 的胶囊体上，把 CameraFollow 挂到 Main Camera 上，把 CameraFollow 的 target 字段设为 Player 的 Transform。"

AI 会调用 MCP 工具执行这些操作。执行完后，你在 Unity 编辑器里应该能看到组件已经正确挂载，字段引用也填好了。然后点击 Play 按钮，用 WASD 控制角色移动，空格跳跃，碰到立方体后立方体消失。

如果运行时报错，比如"NullReferenceException"，把报错信息直接贴给 Claude Code，它会分析是哪个引用为空，然后通过 MCP 检查场景里的实际引用关系，给出修复方案。这个"报错-分析-修复"的循环，是这套工作流最提效的部分。

4. 踩坑记录与常见问题排查

4.1 MCP 连接类问题

问题一：Claude Code 显示 MCP server 已连接，但调用工具时报"tool not found"。

这种情况通常是 server 启动成功但工具注册失败。排查思路：先看 MCP server 的日志输出（通常在启动时的终端窗口里），确认它注册了哪些工具。如果工具列表为空，检查 Unity 插件是否真的在运行。我遇到过一次是 Unity 编辑器处于 Play 模式，插件暂停了响应，退出 Play 模式后恢复正常。

问题二：AI 读取到的场景状态和编辑器里看到的不一致。

这是缓存问题。MCP server 可能缓存了场景的序列化数据，而编辑器里的修改还没触发重新序列化。解决办法是在 Unity 里手动保存场景（Ctrl+S），然后让 AI 重新读取。或者在 MCP server 配置里关闭缓存。

问题三：生成的脚本编译报错，提示找不到某个命名空间。

Unity 不同版本、不同渲染管线下的命名空间有差异。比如 URP 项目里UnityEngine.Rendering.Universal才可用，内置管线项目里引用它会报错。遇到这种情况，直接告诉 AI"这个项目用的是内置渲染管线"，它会调整代码。

4.2 代码逻辑类问题

问题四：角色移动方向不对，按 W 往后退。

这是坐标系问题。Unity 里transform.forward是物体自身的朝向，如果胶囊体的旋转不是初始状态，移动方向就会偏。让 AI 检查 Player 的 Rotation 是否为 (0,0,0)，或者在代码里用Camera.main.transform.forward替代transform.forward来做相机相对移动。

问题五：跳跃后角色缓慢下沉，不回到地面。

检查 CharacterController 的skinWidth参数，默认 0.08 有时会导致穿透。另外确认地面碰撞体确实存在且 Layer 设置正确。我踩过一次坑是地面用了 Terrain 但没加 Terrain Collider，角色直接穿下去了。

问题六：收集物碰撞检测不触发。

确认立方体上有 Collider，且至少一方有 Rigidbody。CharacterController 本身不算 Rigidbody，所以如果立方体是静态的，需要在立方体上加isTrigger的 Collider，然后在 Player 脚本里用OnTriggerEnter检测。AI 有时会默认用OnCollisionEnter，但 CharacterController 不触发这个回调，需要明确告诉它用 Trigger。

4.3 性能与内存类问题

问题七：粒子特效播放后内存持续增长。

这是热词里提到的"粒子特效内存泄露"的典型场景。AI 生成的粒子系统如果设置了loop=true且没有正确的销毁逻辑，粒子会无限累积。让 AI 检查 ParticleSystem 的配置，确保Stop Action设为Destroy或Disable，并在不需要时调用Stop()。

问题八：场景里对象太多导致编辑器卡顿。

AI 批量生成对象时可能没有做对象池或分批处理。如果它一次性创建了几百个 GameObject，编辑器会明显卡顿。解决办法是让 AI 改用对象池模式，或者减少单次生成数量。

4.4 常见问题速查表

独家避坑技巧：每次让 AI 做较大改动之前，先在 Unity 里手动保存场景并提交一次版本控制（git commit）。AI 的操作虽然大多可逆，但批量修改后想回滚到某个中间状态会很麻烦。我习惯在让 AI 生成新功能前打一个 tag，出问题直接 reset。

5. 这套工作流的边界与扩展方向

5.1 它擅长什么，不擅长什么

跑了几个原型之后，我对这套组合的能力边界有了比较清晰的认识。擅长的部分：脚手架搭建、重复性代码生成、API 用法查询、简单逻辑实现、报错定位。这些任务有明确的模式，AI 见过大量类似代码，生成质量很高。

不擅长的部分：复杂的游戏手感调优（比如跳跃的 coyote time、跳跃缓冲这些需要反复试玩的细节）、美术相关的 Shader 编写（尤其是二次元 Shader 这种需要艺术直觉的）、大型项目的架构设计（AI 容易过度设计或设计不足）。这些还是得人来主导，AI 做辅助。

还有一个隐性限制是上下文窗口。当项目文件多到一定程度，Claude Code 无法一次性读取所有相关文件，它可能会遗漏某些依赖关系。这时候需要你手动指定关键文件，或者把项目拆分成更小的模块分别处理。

5.2 可以继续扩展的方向

这套工作流跑通基础原型后，有几个自然的扩展方向。接入本地模型：Claude Code 支持通过配置切换到本地运行的模型（比如通过 LM Studio 暴露的接口），这样在无网络环境下也能用，代价是生成质量会下降。接入 Figma MCP：如果游戏 UI 先在 Figma 里设计，可以通过 Figma 的 MCP server 让 AI 直接读取设计稿的布局信息，生成对应的 UGUI 层级结构。接入版本控制 MCP：让 AI 在完成一个功能后自动 commit，并生成有意义的 commit message。

Unity 侧还可以扩展的方向包括：让 AI 通过 MCP 操作 Timeline 制作简单过场动画、批量生成地形植被、根据配置表自动生成 UI 预制体。这些场景的共同点是有明确的输入输出规范，AI 执行起来准确率很高。

5.3 关于 MCP 协议本身的一点观察

MCP 这个协议的设计思路值得单独说一下。它把"AI 能做什么"和"AI 怎么连到外部系统"解耦了。以前给 AI 加一个新能力，要改模型、改 prompt、改工具调用逻辑；现在只需要写一个 MCP server，声明它提供哪些工具，任何支持 MCP 的 client 都能用。这个抽象层让工具生态的扩展成本大幅降低。

在 Unity 这个案例里，MCP server 本质上是一个编辑器扩展 + 本地服务的组合。编辑器扩展负责在 Unity 内部执行操作，本地服务负责和 Claude Code 通信。这个模式可以复制到任何有编辑器扩展机制的软件上，比如 Blender、Unreal、甚至 Photoshop。热词里出现的"unreal 5.8 mcp"就是这个思路在 Unreal 上的应用。

我个人的判断是，MCP 这类协议会逐渐成为 AI 工具链的标准配置。现在还在早期，各种 server 的质量参差不齐，配置也偏手动。但随着生态成熟，未来可能是"装一个插件，AI 就能操作这个软件"的体验。对于开发者来说，现在花点时间理解 MCP 的工作原理，是在为下一波工具变革做准备。

最后分享一个我在实际使用中的小技巧：把常用的 MCP 操作组合成自定义命令。比如"初始化玩家"这个操作包含创建胶囊体、添加 CharacterController、挂载脚本、配置摄像机跟随这一系列步骤，每次手动描述很啰嗦。Claude Code 支持在项目里定义自定义命令文件，把这些步骤固化下来，下次一句话就能触发整套流程。这个技巧在反复创建测试场景时特别省时间。