一个6年前的Python小项目,让我看到了AI时代的游戏开发新可能
昨天晚上刷 GitHub Trending，看到一个老项目弹了出来。
PythonPlantsVsZombies，3715 颗星星，最后更新停在 2020 年 2 月。
我点进去，翻了几行代码，突然意识到一个有意思的事实：这个用 pygame 写的小游戏，在 2026 年的 AI 浪潮面前，正在变成一块全新的画布。
不是因为它本身有多厉害——恰恰相反，正是因为它"足够简单"，才成了测试 AI 开发能力的完美沙盒。
这个项目是什么
作者 marblexu，坐标苏州，一个喜欢用 Python 复刻经典游戏的中国开发者。
他用纯 Python + pygame 写了一个可玩的植物大战僵尸：
- 16 种植物：向日葵、豌豆射手、坚果墙、寒冰射手、樱桃炸弹、大嘴花、小喷菇、土豆雷、地刺、胆小菇、窝瓜、火爆辣椒、阳光菇、冰菇、魅惑菇……该有的都有
- 5 种僵尸：普通僵尸、旗帜僵尸、路障僵尸、铁桶僵尸、报纸僵尸
- 关卡系统：白天、黑夜、移动选卡、核桃保龄球
- 数据驱动：用 JSON 文件存储关卡配置（僵尸出现位置、时间、背景信息）
代码结构非常清晰，main.py 作为入口，source 目录下分 component、state 等模块。一个典型的 Python 初学者进阶项目，读起来不会有压力。
他的其他项目也很有意思：PythonSuperMario、PythonAngryBirds、PythonStrategyRPG……同一个配方，不同味道。
但真正让我兴奋的，不是这个项目本身，而是它放在 2026 年这个时间点上，突然变得无比有趣。
方向一：AI Agent 自动玩 PVZ
先说最直观的方向。
2025-2026 年，AI Agent 打游戏已经不是新闻了。但以往的关注点都在《星际争霸》《Dota 2》这类大型游戏上，PVZ 这种塔防游戏反而成了被忽略的角落。
直到我看到中南大学一个学生团队做的项目：PVZ-AI-with-Strategy-Learning。
他们的目标很直接——开发一个 AI Agent，能够模拟真人游玩，实现最高分挑战和快速通关。
技术路线大概是这样的：
1. 屏幕截图采集 → 获取游戏状态
2. 目标检测模型 → 识别植物、僵尸、阳光的位置
3. 策略网络 → 决定下一步种什么、种在哪里
4. 动作执行 → 模拟鼠标点击
放在 PythonPlantsVsZombies 这个项目上，事情还能更简单——因为代码是开源的，你不需要做视觉识别。
你可以直接把游戏内部状态暴露给 AI：
``python
可能的思路
class AIPlayer:
def __init__(self, game_state):
self.state = game_state # 直接读取内存中的游戏数据
def decide(self):
sun_count = self.state.sun_count
zombie_positions = self.state.get_zombie_positions()
available_plants = self.state.available_plants
# AI 决策逻辑...
``
不用 OCR，不用目标检测，游戏的全部信息就在内存里等着。这是一个上帝视角的训练环境。
你可以用强化学习训练一个自动通关 Agent，让它自己学会：什么时候种向日葵攒阳光，什么时候该放坚果墙挡僵尸，樱桃炸弹的最佳时机是哪里。
甚至可以做两个 AI 互搏——一个操控植物，一个操控僵尸，看谁的策略更优。2026 年 6 月，B 站上已经有人在做 PVZ2 的双 AI 对战视频了，播放量不低。这个方向，玩家们是真的买账。
方向二：AI 生成新植物、新僵尸
PVZ 的社区改版一直很活跃。
从最早的"95 版""植物娘版"，到 2024-2025 年爆火的"杂交版""融合版"，再到各种自制的"四代植物"设计——这个游戏的 mod 生态从来没有冷过。
但以前做一张新植物卡片，需要：
1. 构思数值和技能
2. 手绘或拼接素材
3. 编写代码逻辑
4. 测试平衡性
5. 反复调参
一个人完成一套，少说一两天。
现在，AI 压缩了这个流程。
用 Claude 或 GPT 生成一个新植物的代码，大概是这样的对话：
我： "我想加一种新植物，叫'激光向日葵'，阳光 175，每 3 秒发射一束激光穿透整行僵尸，攻击力 40，但攻击后需要冷却 2 秒。用 Python 实现，兼容这个项目的代码结构。"
AI：（生成完整的 Plant 子类代码，包含初始化、攻击逻辑、动画帧管理）
实测下来，一个中等复杂度的新植物，从构思到可运行，10 分钟以内。
更夸张的是 AI 生成关卡。这个项目用 JSON 文件存储关卡数据，格式固定、结构简单。AI 对这个格式的理解几乎没有偏差。
你可以说：
我： "生成一个夜晚泳池关卡，难度 7/10，僵尸出现频率逐渐加快，第 30 秒出现第一个铁桶僵尸，第 60 秒出现一波报纸僵尸。"
AI 会输出一个可以直接放进游戏目录的 JSON 文件。
关卡设计从"手动配置"变成了"用自然语言描述"。
方向三：AI Agent 辅助改版开发
这是 2026 年才真正成熟的方向。
几个值得关注的开源项目：
- GodotMaker（328 stars）：Claude Code 驱动的文本转游戏 pipeline
- Agent Game Forge：本地优先的 2D 游戏 IDE，支持 Codex 或 Claude Code 驱动
- OpenGame（arXiv 2604.18394）：首个端到端 AI Agent 游戏开发框架
- Multi-Agent Game Factory：6 个 AI Agent 协作完成游戏的设计、编码、审查、测试和素材生成
放在 PythonPlantsVsZombies 这个场景里，你可以这样做：
启动一个 AI Agent，给它一个目标——"在这个项目的基础上，增加一个'无尽模式'，僵尸波次无限递增，每 10 波出现一次 BOSS 僵尸。"
这个 Agent 会：
1. 阅读项目源码，理解现有架构
2. 设计新模式的代码结构
3. 生成代码并自动插入合适的位置
4. 运行测试，检查有没有破坏现有功能
5. 如果有 bug，自行修复
听起来像科幻？OpenGame 的论文已经证明，在结构清晰的代码库上，Agent 完成这类扩展任务的成功率超过 70%。
方向四：多 Agent 协作，从改版到新游戏
这是最激进的方向，也是最值得关注的趋势。
Multi-Agent Game Factory 展示了一个流水线：6 个 AI Agent 各司其职，从创意到可玩游戏，全自动完成。
想象一下这个场景：
- 设计师 Agent：分析 PythonPlantsVsZombies 的玩法框架，提出改版方案
- 程序员 Agent：编写新植物、新僵尸、新关卡的代码
- 审查 Agent：检查代码质量，发现潜在 bug
- 测试 Agent：自动运行游戏，验证功能正常
- 美术 Agent：生成新素材（虽然这个项目用的是现成素材）
- 策划 Agent：平衡数值，确保游戏可玩性
这 6 个 Agent 通过协作，可以把一个 6 年前的老项目，变成一个全新的游戏。
而你需要做的，只是描述你想要的玩法。
这不是取代开发者，而是把"开发"这件事从写代码变成做决策。 你从"怎么实现"中解放出来，专注于"做什么"和"好不好玩"。
为什么是 PVZ？
聊到这里，你可能会问：为什么所有这些可能性，都落在了这个特定的项目上？
三个原因：
第一，它够老，也够稳。
2019 年发布，2020 年停更，代码结构简单清晰，依赖只有 Python + pygame。没有任何现代工程化的复杂性。这种"古董级"项目，反而是 AI 最容易理解和修改的——因为它的复杂度在 AI 的能力圈内。
第二，它的玩法足够经典。
塔防游戏天然适合 AI 训练：决策空间有限、状态可量化、胜负判定明确。不像动作游戏需要毫秒级反应，也不像 RPG 需要理解复杂剧情。PVZ 是一个完美的 AI 实验场。
第三，它的社区有改版的基因。
从 95 版到杂交版到融合版，PVZ 的 mod 文化一直在延续。玩家对"新植物""新僵尸""新模式"有持续的需求。AI 不是空降的，而是嵌入到一条已经存在的需求链中。
写在最后
写完这篇文章的时候，我又去看了一眼那个项目的 Issues 页面。
最后一条 Issue 是 2023 年的，已经没人回复了。
但我觉得，它真正的生命力还没有开始。
当一个 6 年前的个人项目，遇到了 2026 年的 AI Agent，它可能变成一个训练场、一个改版平台、一个教学案例——甚至，一个全新游戏的起点。
代码不一定要持续更新才有价值。有时候，停下来等一等，等一个能让它重新发光的时代。
