再测LongCat 2.0长任务，这次我让他在codex里面做了个游戏

上个月刚发布了一篇对LongCat 2.0的实测，用四个任务检验了它的编程功底。坦白说，那次评测的结果是“偶尔惊艳，偶尔让人抓狂”——有些地方处理得相当老道，有些地方又明显欠点火候。

文章发出去之后，一直在琢磨一件事。

上次测的都是一些相对常规的任务：写个Web页面、修个Python脚本、整理一份报告。这些事情固然能反映模型的基础能力，但无法回答一个更核心的问题：

而且这次想换一种玩法——不是由人来写需求文档再让它执行，而是让它自己先做规划，再自己动手执行。就像一个真正的开发者，先搞清楚“要做什么”，然后才开始“怎么做”。

于是决定搞个大的。

布置了一道作业：做一个俄罗斯方块

为什么偏偏选中俄罗斯方块？

两个原因。第一，这款游戏无人不知，根本不需要解释规则；第二，它看起来简单，实际上涉及的东西远比想象中复杂——旋转系统、碰撞检测、计分逻辑、速度曲线、多模式切换，还得兼顾移动端触屏操作和UI界面。如果AI能把这块硬骨头啃下来，那它搞定大多数中小型H5项目就不在话下。

还有一个关键因素：俄罗斯方块不需要美工。纯Canvas画出的方块，用不同颜色区分七种形状，再加上几条网格线，视觉上就已经够用了。这意味着从头到尾不用打开任何设计软件，全部交给代码解决——正好可以验证一个假设：

但这次思路不一样。上次像教练，给任务、盯执行；这次想试试另一件事——让它自己当项目经理。

打开Codex的计划模式，对LongCat说：“帮我规划一个俄罗斯方块H5游戏，要有五种玩法，不需要美工，纯代码完成。”

然后它就自己开始写文档了。

先出了一份PRD（产品需求文档），定义了五种玩法模式：马拉松模式（经典规则，消行升级加速）、40行冲刺（比谁用时最短）、180秒限时挑战（倒计时内抢高分）、隐形模式（方块落地后逐渐消失，靠记忆操作）、20G极速模式（方块瞬间落底，考验预判和手速）。

接着又出了一份TRD（技术需求文档），确定了技术方案：TypeScript加原生Canvas 2D，不依赖任何游戏框架，Vite构建，SRS标准旋转系统，7-bag随机生成器。同时要求同时支持移动端和桌面端。

两份文档加起来快两万字，全部由它自己完成。然后对它说：“按你自己写的文档，做出来。”

然后就去干别的事了。

第一版出来了，能跑，但真丑

大约50分钟后回来，LongCat还在跑。Codex有个功能：设定的目标它会一直自己运行，中间不用你管。回来时，第一版已经生成。

能跑。

五个模式全都能玩：马拉松可以正常消行、计分、升级；40行冲刺可以计时；限时模式倒计时正常工作。计分规则基本正确，旋转系统用的是标准的SRS，7-bag生成器也没问题。但怎么说呢——就像一个程序员花了50分钟写出来的MVP，功能都对，但真的不想多看第二眼。

键盘操控不了，只能用屏幕上的虚拟按键。方块的配色是系统默认的纯色，没有阴影，没有边框，整个画面看起来特别平。菜单界面就是几行文字排在一起，甚至分不清哪个是按钮、哪个是标题。

该有的功能都有，但不该没有的东西一件也没给。

当时的心情很复杂，既满意又不满意。满意的是，LongCat自己写的需求文档自己真能理解，而且一次性生成了五个可玩模式——这意味着它不止会写代码，已经能闭环了：规划、设计、编码，全部自己来。不满意的是，明明可以做得更好看，为什么要搞这么丑？

第二轮之后，开始像那么回事了

把第一版的问题整理出来：键盘操控不生效、方块配色需要改进、菜单界面需要重新设计、需要加入ghost piece（落点预览）。然后把这些问题又丢回给LongCat。

第二版出来时，明显感觉不一样了。

键盘能用了——说实话，这个让人有点意外，因为键盘操控涉及事件监听、键位映射、DAS和ARR这些概念，处理不好容易出现按键延迟或卡顿。但第二版的处理相当干净：左右移动、旋转、硬降、Hold，手感都在线。

方块配色也做了调整：I块是青色，O块是黄色，T块是紫色，每种形状有自己的颜色，视觉上一眼就能区分。还加了网格线和方块边框，整个游戏区终于不再是一坨模糊的色块了。

不过小Bug还是有。比如隐形模式，试了三次，方块落地后完全没变化，该在的还在，不该消失的也没消失。说好的“隐形”呢？把问题指出来，它修了两轮才搞定。

不过玩隐形模式的感觉比想象中刺激得多。

得时刻记住场地里已经堆了哪些方块，同时注意当前下落的位置。玩到后面，脑子里全是“左边第三列有个缺口，右边堆了两层，中间那个L块应该能塞进去”——然后一旋转才发现，这里刚才是不是有个方块来着？这种压迫感跟正常玩俄罗斯方块完全不一样。

五个模式，各自的故事

马拉松模式是最先完工的，也是最顺利的。一轮搞定，规则实现得干净利落：每消10行升一级，速度逐渐加快，从悠闲到紧张的过程很自然。计分系统也做得周全：消一行100分乘等级系数，消四行800分乘等级，T-Spin还有额外加分。

40行冲刺和180秒限时挑战也都是一轮过。这两个模式本质上是在马拉松基础上改规则：冲刺模式加个消行计数器，到40就结算，记录完成时间；限时模式加个倒计时器，180秒倒数，最后10秒变红色警告。逻辑不复杂，LongCat处理得很快。

真正让人觉得有意思的，是20G极速模式。

20G的意思是方块的下落速度极快，基本上就是瞬间落底。普通俄罗斯方块里，还有时间慢慢思考摆放位置；但在20G模式下，方块一出现就得立刻决定旋转和位置，慢了就会锁定在一个奇怪的地方。

第一版出来时，试了一把，打开就结束了。不是因为反应慢，而是速度确实快到了正常人根本来不及操作的程度。从生成到锁定，时间短到几乎没有，刚看清是什么形状，它已经粘在地上了。这个体验明显不对——20G考验的是预判和走位，而不是人类的极限反应速度。把这个问题反馈给它，让它把锁定延迟加长了一点，同时确保ghost piece和next预览一定开启——这两个辅助在20G模式下不是锦上添花，是必需品。

修了两轮之后，20G的手感对了。快，但不至于绝望。每一块落地的瞬间，得马上看下一个预览，手已经在做下一步预判了。那种连续操作的节奏感，玩进去了确实很爽——当然，玩破防的概率也不低。

打磨了三轮UI，终于能看了

五种模式的玩法搞定之后，剩下的就是门面功夫：菜单、HUD、结算页面——这些都是用户第一眼看到的东西。第一版的菜单就是纯文字堆砌，五种模式的名字排成一行，字体没有任何设计，像一个大学生用HTML默认样式写的课程作业。

让LongCat重新设计了主菜单，描述了想要的感觉：简洁、干净、有点游戏感，但不是花里胡哨的那种。

第一轮改完后，菜单有了基本的层次感：标题和按钮分开了，模式选择变成卡片式，每种模式有自己的一段描述。但配色还是不统一，有些地方字太小，有些按钮的位置很奇怪。

第二轮的调整好了不少。它自己把配色统一了，用了深色背景加亮色方块元素的搭配——基本就是俄罗斯方块自带的“电子游戏感”。按钮也调到了合理的大小和位置。

到第三轮时，整体已经比较顺眼了。结算页面会展示分数、用时、等级等数据，还有一个按钮可以直接再来一局。移动端的虚拟按键也做了适配，可以切换左右手模式，按键大小和透明度都可调。

纯CSS搞出来的东西，能在三轮对话里打磨到这个程度，确实很OK。没有到惊艳的程度，但绝对能看，而且能用。

对LongCat 2.0做游戏开发的真实评价

好了，上面都在讲做了什么，这部分聊聊真正的感受。

LongCat 2.0搞定俄罗斯方块这件事本身，是做到了的。五种玩法模式、SRS旋转系统、移动端触屏适配、菜单和结算UI——从头到尾没有写一行代码，全靠跟它对话完成。单说这个结果，放在一年前是不敢想的。

但过程没有想象中那么丝滑。

有些问题简单到离谱，但它就是反复搞不定。举个例子，中间有一次需要它帮忙启动本地测试服务器看看效果——一个npm run dev就能搞定的事，它反复试了好几次，换了好几种写法，最后是自己手动敲命令启动的。

这种体感很奇妙：它能搞定SRS旋转系统的复杂逻辑，能实现20G极速的重力算法，能在三轮对话里把UI打磨到能看——但有时候让做一件特别简单的事，反而会卡住，而且卡住之后似乎不太敢尝试新的解法，一直在用差不多的方法重试。这不是能力问题，更像是策略问题。就像一个很聪明但经验不足的程序员，遇到难题会花时间去研究，但遇到小问题，以为很快就能解决，结果在错误的路上来来回回。

对比上次测的四个独立任务，这次是一个持续时间很长的大项目。能感觉到越到后面，它对前面已经修好的问题的“记忆”有些模糊了，偶尔会出现把之前修好的东西又改坏的情况——当然，这也可能是Codex这一层的上下文管理问题，不完全算在LongCat头上。

整个下午的开发，从第一版到五轮打磨，总共才消耗了大约4M的toke。4M是什么概念？换成GPT或Claude做同样的事，消耗可能早就翻了几倍甚至十几倍。虽然这个项目本身规模不算很大，但这个消耗效率是用过的所有模型里最好的。

还有一个有意思的细节：LongCat在写代码的过程中，会把自己的思考过程也展示出来。能看它在想什么——“这个地方用户可能会觉得按钮太小”“这个配色可能太单调了”“要不要在这里加一个动画效果”——就像一个程序员在自言自语，还挺可爱的。

这种感觉跟用其他模型不太一样。其他模型给人的感觉是“你要什么我给什么”，LongCat给人的感觉更像是“我在努力做，同时我想让你知道我是怎么想的”。

坦白说，这让人对它的态度都宽容了不少。

所以到底值不值得用？

如果开发者想用AI快速出H5小游戏的MVP，LongCat 2.0是可以用的。尤其是在token消耗上有明显优势，做中小项目很划算。但得做好心理准备：它不是那种把需求丢进去然后躺着等完美输出的工具，更像一个基础不错的实习生——能力是有的，但得盯着、得指导，有时候还得帮它解决一些自己两秒钟就能搞定、但它怎么都绕不出来的问题。

跟GPT或Claude比，效率上还有差距。GPT在面对一些简单问题时反应更快、更准，不会在小问题上反复绕。LongCat有时候特别像一个过于认真的学生，会的问题也要确认三遍才敢写答案。

不过始终觉得，“做不做得到”是一回事，“能做到什么程度”是另一回事。LongCat 2.0从零搞出一个有五种模式的俄罗斯方块这件事，本身就说明国产模型的编程能力已经过了“能写代码”的阶段，进入了“能做产品”的阶段。而且这次最不一样的是，需求文档是它自己写的——从规划到设计到编码，一个完整的闭环跑通了。

这就意味着，随着后续版本的迭代，这些问题是可以解决的。

下一篇文章可能会换一个更复杂的项目试试看——比如带后端接口的那种。