新闻详情

新闻详情

首页 / 资讯中心 / 详情

从 AI 图到可编辑场景:Agent Sprite Forge 导出 Godot TileMap 全流程指南

发布时间:2026/11/10 0:00:21来源:尧图网络
从 AI 图到可编辑场景:Agent Sprite Forge 导出 Godot TileMap 全流程指南
从 AI 图到可编辑场景Agent Sprite Forge 导出 Godot TileMap 全流程指南【免费下载链接】agent-sprite-forgeAgent Skill for generating 2D sprite sheets and map, transparent PNG frames, and animated GIFs from prompts.项目地址: https://gitcode.com/gh_mirrors/ag/agent-sprite-forgeAgent Sprite Forge 是一款面向 2D 游戏的AI 资产生成技能用一句自然语言提示就能产出可直接进引擎的 2D 地图、精灵图与道具包。这篇指南聚焦它最实用的能力之一把 AI 生成的 tileset 和道具接入 Godot 4导出一个真正可编辑的 TileMap 场景——包含分层 tile 层、独立 props、碰撞体、遇怪草丛与出口触发区。你不需要手绘像素也不用手动对齐格子。为什么它比一张 AI 地图图更值得用多数 AI 绘图工具给的是一整张烤死baked的图好看但角色无法穿墙、无法分层、无法单独挪动一棵树。而 Agent Sprite Forge 的$generate2dmap技能会走layered_tilemapGodot_TileMap管线把一张漂亮图拆成可编辑的游戏数据。一句话概括这条管线项目里叫 map-strategies.mdimage_gen tileset prop_pack_3x3 layered_tilemap separate_props trigger_zones Godot_TileMap图由 AI 画tileset 与道具都是内置图像生成产出风格统一。脚本只干活去背、切格、对齐、拼预览、生成元数据不碰创意。结果是引擎原生文件.tscn场景 分层TileMapLayer打开就能改。准备工作安装 Agent Sprite Forge 技能本地后处理脚本依赖Python、Pillow、numpy视频类技能才需要 ffmpeg清单见 requirements.txt。安装分两步克隆仓库 → 把skills/拷进代理的技能目录然后新开一个会话让技能重载。# macOS / Linux mkdir -p ~/.codex/skills cp -R ./skills/* ~/.codex/skills/装好后在对话里用$generate2dmap即可调用地图技能$generate2dsprite则负责精灵图。导出 Godot TileMap 的完整流程第一步选对地图模式tile_mode技能会先问你要哪种map_mode。要进 Godot 的可编辑地图认准tile_mode——它默认就是layered_tilemapinteractive_scene_objectstile_collisiontrigger_zones。新手提示Pokémon 风格、俯视角 RPG、怪物养成路线、平台跳跃 tilemap都可以直接说做成 Godot 可编辑地图技能会自动路由到tile_mode。第二步用 AI 生成 tileset 和道具包这一步是创意核心由代理自己写图像提示词先画 tileset 图集草地、土路、水域、石桥、花丛、高草、树木、木门……一张网格图搞定。再批量生成道具包把小、紧凑的装饰物草丛、石头、木牌、栅栏、树桩、墓碑塞进一张3x3 洋红底道具表交给 extract_prop_pack.py 逐个切出透明 PNG。下面是本例的 3x3 道具包洋红 待去背的纯色底规则提醒只有紧凑装饰物才进方形道具包平台、长桥、大门、高树这类要碰撞对齐的对象必须单独生成别混在道具表里。详见 prop-pack-contract.md。第三步把资产接入 Godot TileMap 场景这是可编辑的魔法所在。技能会把 tile 和道具写成一个真正的 Godot 4 场景节点结构一目了然TileLayers下分多个TileMapLayerGround_TileMapLayer地面Water_And_Bridge_Tile水与桥Decor_TileMapLayer装饰Encounter_Grass_TileM遇怪草丛配Area2DObstacle_TileMapLayer阻挡配StaticBody2D碰撞YSorted_SeparateProps下每个道具是独立Sprite2Dtree_north_1、rock_west_1、fallen_log_1…按 Y 轴排序角色能走到树后/树前。再挂上出口Area2D、相机边界和一个debug 玩家 摄像机直接能跑。第四步验证碰撞、触发区与预览别急着交付。技能会生成两张体检图帮你确认碰撞 / 触发区调试叠加层红框 阻挡体绿框 遇怪草丛紫线 相机与边界。拼合预览把基础图 最终运行时对象叠在一起检查在相机尺寸下是否连贯脚本见 compose_layered_preview.py。你会拿到哪些文件一次tile_mode导出典型产物包括类别内容视觉资产AI 生成的 tileset 图集、切出的透明道具 PNG场景.tscn含TileMapLayer、Sprite2Dprops、Area2D区、StaticBody2D碰撞数据道具摆放、碰撞、触发区、出口、相机边界的元数据预览拼合分层预览 调试叠加层想深入分层地图的层分离契约基础层只能放地形不能烤进可交互物体读 layered-map-contract.md。新手避坑指南 别接受一张烤图 碰撞框当成品——那只是带血条的背景不是可玩地图。基础层保持干净树、门、箱子、陷阱必须独立否则角色穿不过去。方形道具包只装小装饰碰撞对齐的对象单独生成。生成后先看调试图再进引擎能省掉大量手动排查。商用项目优先用原创角色 / 自有 IP避免版权风险。一句话总结你说一句给我一张 Godot 可编辑的 RPG 地图Agent Sprite Forge 负责画、切、拼、接好节点你拿到的是一张能在编辑器里继续改的 TileMap 场景而不是一张死图。 技能定义与策略参考skills/generate2dmap/SKILL.md · README【免费下载链接】agent-sprite-forgeAgent Skill for generating 2D sprite sheets and map, transparent PNG frames, and animated GIFs from prompts.项目地址: https://gitcode.com/gh_mirrors/ag/agent-sprite-forge创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/10 4:49:37

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/9 8:37:19

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/9 8:37:19

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/10 1:10:29

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/9 8:37:18

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/9 8:37:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉