Opus 5消耗6.9亿token生成游戏，GPT-5.6用5美元复刻
Opus 5高成本生成完整游戏，GPT-5.6低成本复刻，展示AI编程能力进展与成本差异。
一条提示词、6.9亿token、423美元，Opus 5端到端生成了水上竞速游戏。两天后，另一用户用GPT-5.6通过Codex以5美元复刻出效果类似的版本。这显示AI生成代码能力显著提升，但最终精细度仍取决于人工把关。
正文摘录
《仅需》 6.9 亿个 token、423 美元和 1 条提示词，就能做出一款火遍全网的美式水上快艇竞速游戏。 这是用 Opus 5 单提示词直出的效果。不得不说，Opus 5 你还是有点东西。 结果还没高兴两天，另一位网友就在 Codex 里用 GPT-5.6 Sol 复刻出来了。 蓄力、加速都有明显的动效，如果走错路或者跟敌方的船撞到了一起，画面上也有明确提示。 游戏使用 Vite、TypeScript 和 Three.js 开发，完全不使用任何外部资源，所有模型、纹理和声音都由代码生成。 也难怪一次就能生成这么精美的 demo，这已经不是提示词了，这就是一份全面的需求文档。 里面的分层结构非常清晰：先定义硬约束，再定义视觉标准，再定义功能需求，再定义开发流程，最后定义交付标准。 从中也能破解，为什么这款游戏的水面效果做得这么好。提示词里给水面系统单独起了一章。 有人负责水面，有人负责卡通渲染，有人负责赛艇物理，还有人分别处理 AI 对手、角色动画、视听系统和性能，彼此并行开发。 在多 Agent 工作流中，每个子 Agent 会拿到一个范围更窄的任务，在相对独立的上下文里集中处理自己的模块，最后再由主 Agent 负责统筹和整合。 如果把水面、渲染、物理、AI、UI 和音频一股脑交给同一个 Agent，它很容易写着写着写岔了。 作者为此给不同子 Agent 划定了明确的职责，甚至规定各自只能修改哪些文件。先把边界钉死，再让它们并行开工。 他要求 Claude 先做一个截图 harness，再跑一个视觉评审子 Agent，让它盯着截图挑刺，每个子系统循环迭代直到评审无话可说。 这相当于让 AI 自己当质检员，每完成一个模块，都要实际运行、截图验收，再根据画面里的具体问题返工。