核心循环:玩家为什么再操作一次
从请求处理转向持续决策
后端系统通常把一次请求视为边界:校验输入、改变状态、返回结果。游戏同样包含这些步骤,但玩家会在看到结果后立刻决定下一次行动。核心循环描述这种反复发生的因果关系。例如“观察敌人前摇→选择绕行方向→躲开攻击→获得安全输出窗口→重新观察”,重点是选择如何改变局势。把“点击开始→进入战斗→显示结算”称为核心循环,会遗漏战斗中真正需要实现和验证的部分。
先区分三个尺度。动作循环持续几百毫秒到数秒,决定移动、瞄准、交换棋子等操作是否清楚;局内循环把多个动作连成一局,如收集经验、选择升级、挑战精英;跨局循环处理解锁、关卡推进和长期目标。时间范围是教学例子,并非所有游戏都遵守的行业标准。初学者应先证明动作循环成立,再接跨局奖励,否则更高的数值容易掩盖单次操作缺乏变化的问题。
MDA 原论文把机制、运行中的动态和期望体验联系起来。它适合提醒我们:一个配置参数可能通过系统交互影响体验。它并不提供“加某机制就必然好玩”的配方。想让玩家感到自己判断准确,可以提出机制假设:敌人攻击前显示方向,承诺方向后不再跟踪,玩家移动可避开。随后观察玩家能否预测并利用窗口,而不是只询问“你觉得爽不爽”。
把循环写成可以执行的规则
用一个俯视角躲避原型说明。玩家只有移动和自动攻击;敌人分为追击者与蓄力冲锋者。移动既能保持安全,也会改变射程内目标。若永远沿外圈移动就能无伤获胜,循环中的决策可能已经退化。此时可以调整场地障碍或两类敌人的组合,但不要立即叠加装备、暴击和抽卡。需要先判断问题来自缺少局势变化,还是预警看不清、移动速度不够等实现缺陷。
把每次行动拆成五个可记录的要素:当前信息、可选行动、代价、状态变化、反馈。信息包括玩家实际看得见的内容,不能把程序知道的敌人冷却当作玩家知道的事实。代价可以是位置、时间、弹药或放弃另一机会。反馈要说明结果为何发生;只播放华丽特效却无法判断是否命中,玩家无法修正策略。这与服务端可观测性相似,只是观察者首先是玩家。
type RunEvent =
| { type: 'warning'; enemyId: number; tick: number }
| { type: 'dodge'; enemyId: number; tick: number }
| { type: 'damage'; amount: number; tick: number };
// 教学数据,单位为秒;不是已验证的目标难度。
const rushRule = {
warningSeconds: 0.65,
commitDirectionAtWarning: true,
recoverySeconds: 0.8,
};
这些字段必须进入同一条时序:预警开始时保存方向,等待游戏时间,冲锋结束后进入恢复。Cocos Creator 3.8.8 的组件负责读取输入、推进模型和呈现节点;规则模型不需要直接引用场景中的 Label 或 Sprite。这样可以先重放固定输入,判断伤害事件是否一致,再检查画面是否如实呈现。不要把收到触摸等同于行动成功,冷却或暂停期间被拒绝的输入也需要可理解的反馈。
用反事实判断机制是否必要
验证一个机制时,问“拿掉它,玩家的选择会变化吗”。拿掉暴击数字后,走位策略不变,说明暴击可能只是表现或成长变量;拿掉冲锋前摇后,玩家无法可靠避让,说明前摇是决策信息的一部分。反事实实验能帮助有后端经验的人控制范围:不是所有可配置字段都值得成为独立系统,也不是所有奖励都必须进入经济循环。
观察应结合行为与解释。记录首次受伤位置、连续绕圈时长、升级停留时间,并让试玩者说出一次成功或失败的原因。少量试玩只能发现问题和生成假设,不能代表微信用户整体偏好。留存、广告完成率等商业指标更不能单独证明循环健康;强制等待和难以退出也可能改变指标,却损害体验。数值上先设清楚一局时间预算、失败可恢复方式和非付费路径,再考虑商业化接入。
常见错误与定位顺序
“玩家不愿再来一次”有多种原因。先确认玩家是否知道目标,接着检查输入是否可靠、失败原因是否可读,最后才判断规则有没有足够变化。若死亡集中在屏幕边缘,先画出可移动范围、碰撞范围与安全区;若玩家始终没有使用技能,检查技能是否被注意到以及使用成本是否明确。不要用更高奖励修复一个看不懂的按钮,也不要把碰撞错误解释成难度不足。
另一种错误是拿开发者最优策略当作入门体验。开发者知道敌人生成点、攻击范围和升级收益,首次玩家并不知道。把教程状态、解锁状态和普通局状态分别记录,比较同一规则在不同知识条件下是否成立。若规则必须依靠长篇说明才能理解,可优先减少同一时刻出现的变量,并用可操作的场景介绍因果。
将循环压缩成一次对比实验
为原型准备两份只差一个变量的配置,例如预警方向锁定与持续跟踪。先写预测:方向锁定应使侧移成为可行反制;持续跟踪可能要求速度压制或无敌技能。再让同一条输入轨迹运行两次,查看命中位置。这个实验不能证明哪种设计更受欢迎,却能证明机制是否产生预期后果。若结果与预测相反,检查运动速度、命中形状和阶段计时,先排除实现错误,再调整体验假设。把这种预测与观察写进任务,可以约束 AI 不用更多奖励和特效绕开核心问题。
给 AI 的任务与验收
可以这样下达任务:“用 TypeScript 实现一间矩形房间中的移动、自动攻击和两类敌人。规则模型与 Cocos 组件分离,预警方向固定,暂停不推进攻击时钟。提供事件记录、命中框开关和三条固定输入重放;禁止自行添加装备或付费系统。”这比“做一个好玩的割草游戏”更容易产生可审查结果。
验收要看状态和画面之间的关系:同一种子与输入得到同一组伤害事件;预警结束前不会造成冲锋伤害;暂停再恢复不会跳过预警;新玩家能够根据画面描述至少一种避让策略。最后一项需要真实试玩,本文没有执行真机验证。可在交互实验室改变时间与速度,练习预测循环变化;原型记录的方法见原型与 GDD。
来源与核查范围
- Hunicke、LeBlanc、Zubek:MDA 原论文,核查日期:2026-11-17。本文只借用机制、动态与体验的区分;原型方案与数值是教学设计。
- Cocos 3.8 生命周期回调,核查日期:2026-11-17。引擎手册覆盖 3.8 系列,项目实现目标为 3.8.8。