GPT-6 Astra 用法升级，最新14个酷炫案例一次看完！

一、全文速览图

大家好，我是美丫姐。

上期给大家展示了在外网比较火的 16 个 Astra 的用户案例：经过周末这几天的持续发酵，现在网络上的案例从单纯的「精美且好看」变成了「炫技又实用」。

那我们今天就来一起看看，有什么新的精彩案例，以及它们分别使用了 Astra 和哪些其他工具一同完成吧！

如果要用 AI Agent 协助学习，可以把以下 Prompt 发送给你的 Agent：

请阅读这篇文章，结合你已有的 user memory（我的工作、项目、技能和常用工具），帮我找到最值得借鉴的做法。没有相关记忆时请说明，不要猜测。1. 选出最适合我的 3 个案例，解释关联，提炼需求表达、工具组合、任务分配和验收细节，不只复述成果。2. 对应到我正在做的一件事，说明哪些由我判断，哪些交给 AI 或专门工具。3. 设计一个小练习：给出第一步、所需资料、时间或费用预算，以及 3 条验收标准。4. 最后给我一段可直接执行的任务 prompt，指出一个值得补学的知识点。区分文章事实与你的建议；需要保存新记忆时，先征求我的确认。

二、从画面展示，变成全面交互

实景梵高小镇。

Peter Gostev 用 Astra 和 Three.js，把六幅梵高作品连成可以行走的小镇。整个画面变成了可以身临其境的场景，与其看艺术展，不如直接走到艺术里面。

Gogh Strike。

同一位作者又做了后印象派风格的5对5射击游戏，公开了试玩与代码。他记录的制作时间约六小时，可以想象技术门槛被降低之后，以后各种混搭的创意会层出不穷，今天在梵高的向日葵里面打 CSGO，明天可能就能在清明上河图里面玩三角洲。

水族馆小游戏。

Tim Jayas 从需求和参考图出发，做出3D水族馆，对比了 Astra 和 Fable 5 的制作效果。但原帖其实除了改变了核心模型之外，并未提及其他工具，所以单从画面效果来看，Astra 确实略胜一筹。

NES风格三关卡。

John Savage 展示了地面、地下、水下三个关卡，作者称约30分钟完成。目前来看这种像素风的小游戏，有 AI 的技术加持之后，个人也能超快速地完成游戏制作了，利好各大游戏上架平台。

俯视撤离射击。

Alex Finn 的演示把角色、场景与战斗反馈放进同一套玩法，作者称使用了 Blender、Unity。一个游戏点子，开始有了可以试手感的版本。

Roblox赛车。

Givros 展示了漂移、加速、对手和圈数等机制。比起精美的画面，他的案例更值得抄作业的是他的需求撰写方式：除了对游戏的描述之外，他在原始的制作过程中还加入了对游戏规则的判断机制，例如撞击之后会产生减速效果，只有跑完所有圈才能算是完赛。这样的设计细节，有助于让整个项目变得更完整。

以上几个游戏相关的案例，我会有一个强烈感受，AI 的完整交付能力正在变强，以前 AI 可能配合我们的设计去出几个效果图，但现在 AI 已经可以交付完整的方案给到用户了。

只需要用户能说明清楚，自己所要求的结果到底是什么，那么 AI 就会努力地去完成这个结果。

对于用户本身而言，能把需求说清楚，也是需要提高的核心能力。

三、从虚拟元素，到完整的虚拟世界

代码驱动的火车。

Tom Krcha 用 TypeScript 和 Three.js 生成了一列火车，车轮转动、零件拆解和重新组装，都通过代码控制。这样的模型就很适合拿来做产品展示，平时看不到的内部结构，可以直接拆开给你看，连说明书都能做成动态的。

铁路模拟。

同一位作者接着给火车铺上了铁路，又加入城市、岔路、河流、桥梁和跟随镜头。从做出一列火车，到让它在一个完整的场景里运行，前面做好的模型就有了更多可以发挥的地方。作者还计划加入多人模式，不过原帖发布时，这部分还没有完成。

Blender船只。

Ben Davis 展示了在 Blender 中从建模到渲染的船只镜头。这种做法对需要做视频预演的人就很实用，船和场景做好之后，想换个角度、换种光线，都可以在同一个场景里继续调整，不用每个镜头重新做一遍。

住宅漫游。

Thomas Ricouard 从房间数量和装修风格的要求开始，在 Blender 中制作住宅，再转成 UE5 里可以行走的场景。以后想看装修方案，除了看效果图，还可以先在虚拟的家里走一圈，看看房间怎么连接、空间用起来顺不顺手。作者也提到，过程中大量使用了 Python 和无界面模式，所以这类案例也能看出，AI 是怎么配合不同工具把一个项目做出来的。

曼哈顿场景。

Matt Shumer 用 Unreal Engine 搭建了曼哈顿城市场景，作者记录的制作时间是一周。把范围扩大到一座城市，需要处理的细节也会多很多。AI 降低了动手的门槛，但复杂项目该花的时间还是要花，不能看到几个快速完成的演示，就以为所有东西都能在几分钟里做完。

旧金山美术宫。

Sharif Shameem 展示的制作过程很值得参考：先找资料，再渲染中间画面，对照参考继续修改，过程中还查到了柱子尺寸的历史资料。作者自己也会指出天空颜色不对、局部模型穿插这些具体问题。想让 AI 做出来的东西更接近自己的要求，反馈就得细到这个程度。

看完这几个场景案例，我觉得除了把需求说清楚，还得学会把修改意见说清楚。

比如天空的颜色不对，就告诉它哪里不对，最好再给一张参考图；模型有穿插，就指出是哪两个部分。只说“再好看一点”，AI 还是得猜我们到底想要什么，来回试的次数自然也会更多。

四、AI 的能力边界，也得一起看

空间理解演示。

Matthew Berman 展示了一个 3D 场景，但由于这个案例比较复杂，所以大家从演示的视频里面会发现一些问题，包括人物的整个行走路径，还有人物和场景里物品的碰撞关系等等，这些都会存在一定的 bug。

所以，百分之百使用 AI 去创建一个项目，它有时候未必能够一次性就输出令人满意的效果。人还是需要在各个环节里面去进行审核等操作。

蝙蝠建模。

Alix Ollivier 让 Astra 制作写实蝙蝠，一直跑到额度耗尽。

作者最后做了一些总结：

他最开始尝试每个细节都用 AI 去完成，但后来发现，即使把额度烧光了，这个蝙蝠模型也没有达到令他百分之百满意的状态。

所以从性价比考虑，对于一些复杂任务：

1. 最好前期先有一个相对完整的框架，再去给到 AI
2. 或者对 AI 大模型进行合理分配，避免在这个过程中费用投入超出原有计划。

所以未来在我们使用 AI 的过程中，如何去分配工作，已经变成了一个非常重要的环节。

不管是人与 AI 协作，还是 AI 大模型之间的协作，为了能够达到更高的投入产出比，工作任务的分配都变成了一个很核心的要点。

五、AI 能做的越来越多，我们还需要学什么？

之前文章的评论区有个问题我觉得挺有意思的：

零基础也能让 AI 做出东西了，那在这个过程中，我们自己到底学会了什么？

结合前面的案例，我觉得首先要练的，就是把自己的想法说清楚。想做什么、给谁用、用起来应该是什么样，这些都需要我们自己去判断。AI 可以帮忙执行，但总得先知道我们到底想要什么。

然后就是看得出问题，并且能提出具体的修改意见。比如做住宅，门能不能打开、房间尺寸合不合适；做游戏，失败之后能不能重新开始、碰到障碍物有没有正确的反馈。这些都比一句“感觉还不够好”更容易让 AI 知道下一步该改哪里。

碰到不懂的地方，也可以顺着自己的项目继续学。比如为什么模型会穿过去，为什么换了光线效果就不一样，让 AI 结合眼前的问题解释，再改一遍看看结果。有了具体的问题，基础知识也就更容易理解了。

这也是我觉得这些案例有意思的地方。以前有个想法，可能因为不会建模、不会写代码就放下了，现在至少可以先试着做出来。做的过程中，再去补上需要的知识，慢慢弄清楚自己想做的东西到底该怎么完成。

如果是你，最想先拿 AI 做一个什么项目？

那我们下期再见吧！

欢迎关注作者公众号：