我自己在用 AI 辅助 Unity 和其他项目时，一个很明显的感受是：小项目里你可以直接说“帮我加个背包系统”，但项目一大，这种提示很容易把 Codex 变成“全仓考古”。它先找目录，再读几十个文件，再猜架构，最后真正需要修改的可能只有三四个脚本。大型项目里，最浪费 Token 的往往不是“让 Codex 写了太多代码”，而是让它反复读取无关文件、重复理解项目架构、处理过长日志，以及一次承担过大的

通过上一篇，我们学习了大模型和 Agent 的区别，并学习了一些基础概念。本文将使用大约 60 行 Python，写一个可以获取、计算基础技术指标，并自动生成分析报告的 AI Agent。用户只需要输入：分析一下苹果公司最近的走势Agent 就会自动完成下面的工作：识别用户想分析的股票；调用股票行情工具；获取真实历史行情；计算均线、收益率和波动率；将数据交给大模型；生成一份通俗易懂的分析报告。

项目根目录可以放一份 `AGENTS.md`，记录长期不变的项目规则，比如 Unity 版本、URP/HDRP、资源目录、目标分辨率、命名规范和禁止事项。更认可的做法，是让 Codex 负责执行和自动化，把视觉标准写进 Skill，用 Unity MCP 让它操作和检查编辑器，再用 Figma、3D 生成、动作和音频工具补齐它缺少的环节。更稳的做法，是先在 Figma 里确定颜色、字体、间距、按钮

学习大模型 API 最容易陷入的误区，是一开始就背模型名称、接口参数和 SDK 写法。这些内容变化很快。模型会更新，接口会升级，不同厂商的参数也不完全一致。程序需要凭证才能访问服务；请求需要发送到正确的接口地址；模型根据本次提供的消息理解上下文；文本会被转换为 Token；Token 影响费用、速度和上下文容量；生成结果可以一次性返回，也可以流式返回。只要理解了这条链路，即使以后更换模型平台、SD

Structured Output 的核心目标不是让回答“看起来整齐”，而是让模型输出的数据满足程序预先定义的结构。字段类型含义issue_type字符串问题类型字符串用户希望采取的处理方式urgency字符串紧急程度summary字符串问题摘要"summary": "用户购买的耳机左侧无声音，希望更换新品。然后进入换货流程。仅仅要求“输出 JSON”并不可靠，初学者经常在提示词中这样写：请使用