获奖背景
我们是来自苏州大学的学生开发团队。在 挑战杯中国大学生创业计划竞赛，中，本文介绍的这套多智能体协作系统帮助我们获得了 江苏省一等奖。这篇文章记录了整个系统从零到一的完整工程实践，希望能为同样在探索本地 AI 开发的开发者提供参考。
我们在 NVIDIA DGX Spark 上本地部署开源大模型，并借助 OpenClaw 多智能体框架，构建了一套专门面向 Minecraft UGC 开发的「AI 圆桌会议」系统——让 7 个专业智能体像真实团队一样讨论、质疑、修正，最终产出一致的设计方案。
产品简介
- NVIDIA DGX Spark：面向开发者的桌面 AI 超级计算机，搭载 GB10 Grace Blackwell 超级芯片，提供 128GB 统一内存与 1 PFLOP AI 算力，支持在本地完整运行大型语言模型，无需依赖云端 API。
- OpenClaw：目前 GitHub 上增长最快的本地优先 AI Agent 框架之一，支持多实例部署、持续运行、文件与应用上下文调用，以及通过「skills」机制扩展能力，是构建多智能体系统的理想基础框架。
为什么我们要做这件事
游戏 UGC（User Generated Content）的开发，与传统的软件开发有着明显不同。
在大多数项目中，真正消耗团队时间的并不是代码，而是内容生产。一个玩法从概念到上线，往往需要经历玩法策划、剧情设计、NPC 对话、数值配置、程序实现、美术资源制作等多个环节。这些工作之间存在大量沟通与反复修改，每一次需求调整都会带来整个流程的重新协作。
过去，我们尝试直接使用通用大模型辅助开发，但随着项目规模扩大，很快遇到了两个现实问题。
第一，Token 消耗极高。UGC 项目的特点决定了内容需要不断迭代，一个玩法可能会经历几十轮修改，长期依赖云端 API 不仅成本较高，也限制了团队的使用频率。
第二，通用模型虽然知识广泛，但在长上下文、多角色、多轮任务中容易出现职责混淆。一个 Agent 同时负责策划、数值、程序、美术等任务时，随着上下文不断增长，回答质量会逐渐下降，输出风格也越来越不稳定。
因此，我们选择在本地部署 NVIDIA DGX Spark，运行 NVIDIA 提供的120B 开放模型，并利用 OpenClaw 构建了一套专门面向 Minecraft UGC 开发的多 Agent 协作系统。
DGX Spark 提供了稳定的本地推理能力，使团队可以摆脱 Token 配额限制，在高频迭代过程中实现真正意义上的「Token 自由」。而 OpenClaw 则成为整个 Agent 协作框架的核心，让多个智能体能够共同参与内容生产。
为什么没有选择一个万能 Agent
项目初期，我们曾尝试让一个 Agent 完成整个开发流程：
设计一个玩法 → 编写剧情 → 配置数值 → 编写代码 → 生成贴图。
实践证明，这种方式在简单任务上效果不错，但面对真实项目时问题十分明显。一个 Agent 需要同时维护大量上下文：
- 游戏玩法设计
- 数值平衡
- API 实现方式
- NPC 对话
- 美术规范
- 配置文件格式
随着上下文不断累积，模型开始频繁遗忘前文，回答越来越偏离目标，同时不同领域之间互相干扰。例如程序实现会影响策划表达，美术要求又会污染代码生成。
因此，我们重新设计了整个系统——不是让一个 Agent 什么都会，而是让每一个 Agent 只负责一个专业领域。这也是整个系统最重要的设计原则：
Single Responsibility for Agents
面向游戏开发的垂类 Agent 架构
整个系统按照游戏开发流程拆分为多个垂类 Agent，每个 Agent 都拥有独立的 Prompt、独立的职责以及独立的 OpenClaw 实例。
【图 1：系统 Agent 架构图】
其中包括：
- 主管虾（Bot-A）：会议主持者，负责发起讨论、整理意见、提出新的议题以及输出最终结论。
- 策划虾（Bot-B）：负责玩法设计、游戏机制以及内容规划。
- 数值虾（Bot-C）：负责验证玩法数值是否合理，设计角色、NPC、生物等配置参数。
- 程序虾皮（Bot-D）：负责评估功能是否具备可实现性。
- 程序虾米（Bot-E）：负责检查程序逻辑是否存在漏洞，并提出实现优化建议。
- 程序虾仁（Bot-F）：负责补充技术实现方案，进一步完善整体逻辑。
- 美术虾（Bot-G）：负责评估贴图、UI、特效等资源制作是否可行。
注：「虾」系列命名源于团队在比赛期间数文新生团队的命名，这套命名方式在开发过程中沿用下来，成为这个系统的标志之一。
除此之外，我们还部署了一只并不参与开发流程的 助手虾。助手虾定时收集社区热点、玩家评论、热门玩法趋势以及行业动态，并整理成日报发送给开发者，为策划提供持续的灵感来源。我们刻意将信息采集与内容生产分离，避免实时搜索能力影响开发流程的稳定性。
从流水线到 AI 圆桌会议
整个系统最核心的设计，并不是多个 Agent 顺序执行任务，而是让多个 Agent 自己「开会」。当开发者提出一个新的需求后，主管虾不会立即输出结果，而是组织一次完整的多 Agent 讨论。
【图 2：AI 圆桌会议多轮讨论循环流程图】
讨论过程遵循固定顺序：开发者提出议题 → 主管虾发起会议 → 策划虾提出玩法设计 → 数值虾评估数值合理性 → 程序虾皮分析技术可行性 → 程序虾米检查逻辑设计 → 程序虾仁补充实现方案 → 美术虾评估资源制作成本 → 重新回到主管虾。
主管虾不会立即结束讨论，而是根据所有 Agent 的意见重新提出新的问题，再次发起下一轮讨论。整个会议会不断循环，直到所有 Agent 都不再提出新的问题，主管虾才输出最终方案。
整个过程更像一次设计评审（Design Review），而不是传统意义上的任务流水线。这种模式带来了一个非常明显的变化：以前，一个 Agent 既负责生成方案，又负责验证自己的方案；现在，每一个 Agent 都负责挑战上一位 Agent 的结论：
- 策划虾提出新的玩法；
- 数值虾负责判断数值是否合理；
- 程序虾负责判断是否能够实现；
- 美术虾负责评估资源成本；
- 主管虾则负责综合所有意见，再决定是否进入下一轮讨论。
这种持续迭代的讨论方式，使最终输出结果比单一 Agent 更稳定，也更接近真实团队内部的设计评审流程。
本地部署带来的价值
所有 Agent 都运行在本地部署的开源模型之上。随着 Agent 数量增加，多轮讨论会产生大量 Token 消耗。如果采用云端 API，这类持续性的工程任务成本会迅速增加。
比如，使用云端 API 时，一次典型玩法讨论的 token 消耗量与估算费用约 15000 万 token / 约 ¥3060(以目前主流市场定价估算,输入占 40% 输出占 60% 价格：输入：6 元 / 百万 tokens 输出：30 元 / 百万 tokens)】
迁移至 DGX Spark 本地部署后，每日可迭代次数从 2 次提升至 5次。7 个 Agent 同时运行时，DGX Spark 的内存占用情况（如：约 96 GB，仍有余量）。 现场比赛期间，多轮会议平均经过平均9-13轮迭代才收敛至最终方案
部署在 NVIDIA DGX Spark 后，我们无需再关注 Token 配额，可以让多个 Agent 同时运行、多轮讨论，并不断调整 Prompt，而不必担心推理成本。对于需要长期迭代的游戏开发而言，本地部署最大的价值并不是推理速度，而是可以将 AI 真正融入日常开发流程，而不是偶尔使用的一项辅助工具。
工程实践中的两个重要经验
真正投入使用后，我们发现了两个最容易被忽略的问题。
经验一：不要和 Agent 闲聊
最初，我们习惯像和聊天机器人交流一样，在 Prompt 中加入「你好」「谢谢」「辛苦了」等礼貌用语。但经过大量实验发现，这些内容会明显影响 Agent 的输出风格。模型会逐渐进入聊天模式，输出大量无关内容，Prompt 长度增加，推理稳定性下降。
后来，我们统一采用命令式 Prompt，仅保留任务目标、输入、约束条件以及输出格式，整体结果明显更加稳定。
经验二：多 Agent 系统必须重视权限管理
项目初期，由于 Agent 拥有较大的操作权限，曾出现过误删文件的情况。虽然问题很快得到解决，但也提醒我们，多 Agent 系统不仅需要关注模型能力，同样需要完善执行环境的权限管理。
随后，我们将整体执行环境迁移到 NVIDIA OpenShell——这是 NVIDIA 专为本地 Agent 运行设计的 Windows 安全原语平台，提供端到端的权限隔离与用户控制能力。我们重新规划 Agent 的操作边界，使各个智能体只能访问自己所需的资源。这不仅提高了运行稳定性，也让整个系统更加适合长期工程化使用。
总结
回过头来看，这套系统最大的变化，并不是让 AI 替代开发者，而是重新组织了游戏内容生产流程。
开发者不再要求一个万能模型完成所有工作，而是将整个开发流程拆解为多个职责清晰的专业 Agent，让它们像真实团队一样讨论、质疑、修正，并最终形成共识。
NVIDIA DGX Spark 提供了稳定、高吞吐的本地推理底座，OpenClaw 提供了多智能体协作框架，NVIDIA OpenShell 则构建了可信赖的安全执行环境——确保每个智能体都在严格定义的权限边界内运行，互不干扰。三者的结合，加上垂类智能体与多轮会议机制，让 AI 真正融入了游戏 UGC 的日常开发流程。
对于我们而言，这套系统并不是一个演示项目，而是每天都在参与策划、美术、程序和数值工作的「AI 开发团队」。随着更多垂类 Agent 的加入，我们希望继续探索一种更加贴近真实研发流程的智能协作模式，让 AI 从单点工具逐步演变为整个游戏内容生产链路中的协作者。
延伸阅读与资源
- NVIDIA DGX Spark 产品页：https://www.nvidia.cn/products/workstations/dgx-spark/
- 在 DGX Spark 上运行 OpenClaw 指南：OpenClaw 🦞 | DGX Spark | NVIDIA 开发者
- NVIDIA NemoClaw 开源 Agent 框架文档： 配置示例 NemoClaw 智能体 | DGX Spark | NVIDIA 开发者
© 2026 作者保留所有权利。本文由 NVIDIA 开发者博客授权转载发布。
