1. 为什么单点 AI 工具撑不起 UGC 量产
网易 Y3 编辑器配合 CodeMaker Agent 的十二大 AI 技能矩阵，本质上是把「创意输入 → 资产生成 → 逻辑落地 → 质检收尾」这条链路拆成可独立调用、又能串成流水线的技能单元，再通过 MCP 协议统一驱动。它适合三类人：一是想批量产出地图但被物编、地形、UI 拖住手脚的独立创作者；二是团队里负责搭工具链、想让策划也能直接出可运行 Demo 的技术同学；三是已经在用 Y3 做塔防、肉鸽、生存类玩法，想把重复劳动交给 Agent 的开发者。
我试过把主流引擎的 AI 能力拉平来看，会发现一个很明显的断层：UE5 的 AI 主要集中在高端视觉渲染辅助和蓝图生成，覆盖的是视觉层，全流程自动化率大概两成；Unity 加 Copilot 更多是通用 C# 代码补全，落在代码层，自动化率三到五成；Godot 的社区 AI 插件质量参差，局部覆盖不到三成。它们的共同特征是单点突破、全流程缺位——AI 只帮你写完某一个环节，剩下的物编、地形、UI、测试、复用还是得人手接。
UGC 量产的痛点恰恰不在单点。一张塔防地图从零到可发布，真正吃时间的不是写某段 Lua，而是：手动填几十个单位的属性字段、从零手刷地形、把 UI 节点一个个拖出来、改完还要反复进游戏点一遍验证、做完的玩法模块没法跨工程复用。这些环节单靠一个代码补全工具根本覆盖不到。CodeMaker Agent 的十二项技能就是按生产阶段分层设计的：Layer 1 资产与场景层管物编、地形、环境配置；Layer 2 逻辑与交互层管 Lua 生成与审查、UI 生成与组件库；Layer 3 质检与复用层管自动化测试和模板导出；Layer 4 工程化保障层管错题本、熔断、热更三步、文档一致性校验。四层叠起来，才构成一条能跑通的量产流水线。
而让这十二项技能真正协同起来的，是 MCP。MCP 在这里扮演的是「协议总线」的角色：Agent 不直接硬编码调用每个技能，而是通过 MCP 暴露的工具接口去触发，这样技能可以独立升级、独立替换，流水线本身保持稳定。下面我会从 MCP 接入的视角，把配置片段、技能矩阵调用示例、逐项验证动作都拆开讲，让你能在自己的 Y3 工程里复现这套流程。
2. TaoToken 前置：给 CodeMaker Agent 备好模型通道
CodeMaker Agent 本身是技能编排层，它背后需要一个稳定的模型通道来理解自然语言需求、生成 Lua、做合规判断。这一步我用 TaoToken 来做模型接入，原因是它提供 OpenAI 兼容的接口形态，配置进 MCP 的模型端点很直接，不用改 Agent 的调用逻辑。
先拿 Key。打开 https://taotoken.net/api-keys ，登录后创建一个 API Key，复制出来。这个 Key 后面要填进 MCP 配置的env里，注意别提交到公开仓库。
模型 ID 这块，CodeMaker Agent 的技能调用对模型能力有分层需求：物编批量生成、Lua 代码生成这类需要较强代码能力的场景，用代码向的模型；UI 布局预览、策划案理解这类偏语义的场景，用通用对话模型即可。你可以在 https://taotoken.net/api 的模型列表里确认当前可用的 Model ID，填配置时保持一致。
如果你打算长期跑编码和 Agent 任务，可以看下 Coding Plan（ https://taotoken.net/coding-plan ），它更适合高频调用的流水线场景；只是临时验证模型通不通，用模型对话页（ https://taotoken.net/models ）先测一轮就行。接入文档在 https://taotoken.net/doc ，MCP 配置的字段含义、Base URL 写法那里都有对照。
这里要强调一个概念：TaoToken 是模型通道，不是替代 Y3 编辑器的东西。Y3 编辑器负责工程、资源、运行时，CodeMaker Agent 负责技能编排，TaoToken 负责把模型能力接进来。三者是叠加关系，不是替代关系。配置的时候 Base URL 用https://taotoken.net/api，不要带任何多余路径后缀，OpenAI 兼容端点会自动拼接。
3. 可复制配置：MCP 接入 CodeMaker Agent 技能矩阵
这一节是核心，给你可以直接抄的配置片段。CodeMaker Agent 通过 MCP 协议暴露十二项技能，配置分两块：一块是模型通道（指向 TaoToken），一块是技能注册（把 y3-* 系列技能挂上去）。
先看模型通道的配置。以常见的 MCP 客户端 settings 结构为例，路径和字段名按你实际客户端保持一致：
{ "mcpServers": { "taotoken-model": { "command": "npx", "args": ["-y", "@taotoken/mcp-server"], "env": { "TAOTOKEN_BASE_URL": "https://taotoken.net/api", "TAOTOKEN_API_KEY": "sk-你的Key", "TAOTOKEN_MODEL_ID": "你的ModelID" } } } }这段配置里三件套必须齐全：Base URL 指向https://taotoken.net/api，API Key 填你刚创建的，Model ID 填模型列表里确认过的。少任何一个，Agent 在调用技能时都会在模型这一步断掉。
接着是技能矩阵的注册。CodeMaker Agent 的十二项技能按四层组织，MCP 配置里可以按需挂载。下面是一个把 Layer 1 到 Layer 4 关键技能都注册进去的示例，技能名和 excerpt 里列的一致：
{ "mcpServers": { "codemaker-agent": { "command": "npx", "args": ["-y", "@codemaker/y3-agent-mcp"], "env": { "Y3_PROJECT_PATH": "/你的/Y3工程路径", "MODEL_ENDPOINT": "taotoken-model", "SKILLS_ENABLED": "y3-obj-edit,y3-gen-terrain-from-image,y3-terrain-template,y3-lua-pipeline,y3-lua-review,y3-ui-pipeline,y3-ui-generator,y3-auto-test,y3-template-export" } } } }SKILLS_ENABLED这一行就是技能矩阵的开关。你可以先只开y3-obj-edit和y3-lua-pipeline跑通最小闭环，再逐步把地形、UI、测试、导出加进来。这样排障时能快速定位是哪一层出的问题。
如果你用的是 TOML 形态的配置（部分客户端支持），等价写法是：
[mcpServers.codemaker-agent] command = "npx" args = ["-y", "@codemaker/y3-agent-mcp"] [mcpServers.codemaker-agent.env] Y3_PROJECT_PATH = "/你的/Y3工程路径" MODEL_ENDPOINT = "taotoken-model" SKILLS_ENABLED = "y3-obj-edit,y3-lua-pipeline,y3-ui-pipeline,y3-auto-test"配置写完后，MCP 客户端重启一次，让技能注册生效。这里有个容易踩的坑：MODEL_ENDPOINT的值要和你上面模型通道那个 server 的名字完全一致，写错了 Agent 找不到模型，会在技能调用时报连接类错误。
4. 逐项验证：从物编到自动测试跑通一遍
配置挂上不等于能用，得逐项验证。我按四层顺序给你验证动作，每步都有明确的成功标志。
先验 Layer 1 的物编自动化。在 Agent 对话里输入一个批量创建需求，比如「批量创建 5 种塔防单位，弓箭塔攻击范围 600 伤害 120，炮台攻击范围 400 伤害 350，其余三种你按塔防常见定位补全」。Agent 会调用y3-obj-edit，自动处理 Y3 特有的 tuple 嵌套 JSON 格式。成功标志是：工程物编面板里出现这 5 个单位，字段无格式错误。手动逐项填这 5 个单位大概要 1 到 2 小时，走技能批量处理通常 5 到 10 分钟。
再验图片转地形。准备一张手绘草图或参考图，输入「用这张图生成地形」。y3-gen-terrain-from-image会走 CV 聚类识别区域语义，把路径、高地、水域、植被区分出来，再映射成 Y3 地形 API 调用，写入高度块、纹理、水体、植被。成功标志是地形粗稿生成，后续人工精调即可。从零手刷一张地形要数小时到一天，这一步能把粗稿压到 30 分钟内。
Layer 2 验 Lua 生成和 UI 生成。输入「实现一个连杀判定系统，连续击杀 3 秒内不中断则累加连杀数」，y3-lua-pipeline会生成 Lua 代码，并经过静态分析流水线：语法检查、API 合规校验、臆造 API 检测、已知问题匹配、自动修复。成功标志是生成的 Lua 能挂进工程且不报 API 误用。UI 这边输入「生成一个技能栏加血条的布局」，y3-ui-pipeline会先出 HTML 布局预览供你确认，再转成 Y3 UI JSON 和节点树写入工程，内置的 13 套官方组件模板覆盖技能栏、血条、物品栏、Buff 栏、小地图等常见需求。
Layer 3 验自动化测试。让 Agent 对刚生成的 UI 跑一轮测试，y3-auto-test的链路是：启动游戏、按路径定位 UI 节点、触发 UI 事件、截图验证、生成结构化测试报告。关键点是它通过 y3runtime MCP 工具直接触发 UI 事件，不依赖屏幕坐标，所以分辨率变化、UI 位移都不影响测试脚本稳定性。成功标志是拿到一份结构化测试报告，而不是靠人眼盯截图。
Layer 4 验工程化保障。故意让 Agent 调用一个不存在的 API，看api_issues.md错题本是否命中并给出修复建议；再连续触发两次失败，确认 MCP 熔断机制在连续失败 2 次后停止，不再无效消耗 Token。物编或 UI 修改后，确认热更三步流程（热更 → 等待 → 保存）被执行，避免异步写入丢数据。
5. 常见报错排查：401、local proxy failed、reading choices、OAuth
配置和验证过程中，报错基本集中在这几类，逐个对照排查。
401 未授权。最常见的原因是 API Key 没填对或过期。检查 MCP 配置里TAOTOKEN_API_KEY是否和 https://taotoken.net/api-keys 里创建的一致，注意有没有多余空格。如果 Key 是对的还报 401，确认 Base URL 是不是写成了带路径的形态，正确写法是https://taotoken.net/api，不要自己拼/v1/chat/completions这类后缀。
local proxy failed。这个报错通常出现在 MCP 客户端启动 server 时，command或args指向的可执行文件找不到。检查npx是否在 PATH 里，@codemaker/y3-agent-mcp这个包名是否拼写正确。如果是内网环境，确认 npm 源可达。这个错和模型通道无关，是本地进程启动失败。
reading choices 相关报错。这类错误一般出现在模型返回结构不符合预期时，比如 Model ID 填错导致返回体里没有choices字段。回到配置里核对TAOTOKEN_MODEL_ID，去 https://taotoken.net/api 的模型列表确认这个 ID 真实存在。另外确认MODEL_ENDPOINT指向的 server 名和模型通道配置里的名字一致。
OAuth 相关报错。如果你用的是需要 OAuth 授权的客户端形态，报错往往是因为授权 token 没刷新。重新走一遍授权流程，确认授权后配置里的凭证字段被正确写入。注意 OAuth 凭证和 API Key 是两套东西，别混填。
还有一个高频坑：技能注册了但调用时提示技能不存在。检查SKILLS_ENABLED里的技能名有没有拼错，比如y3-lua-pipeline写成y3-lua-pipline。技能名是精确匹配的，错一个字符就挂不上。
排查顺序建议从下往上：先确认模型通道通（用模型对话页单独测一次），再确认 MCP server 起得来（看 local proxy 类报错），最后确认技能注册生效（看技能名匹配）。这样能把问题范围快速缩小到某一层。
6. 把技能矩阵接进你的流水线
跑通验证之后，接下来是把这套技能矩阵真正接进你的 UGC 生产流程。两种工作模式可以按场景选：Full Mode 适合从零造游戏，链路是策划案 → 执行案 → 物编 → UI → Lua → 审查 → 自动测试 → 迭代，一个塔防 Demo 单人 3 到 6 小时能出；Patch Mode 适合增量修改，链路是需求理解 → 方案输出 → 用户确认 → 执行 → 验证，增量修改必须先出方案、你确认后再执行，防止 Agent 自作主张破坏现有工程结构。
实操上，我建议先把 Layer 1 和 Layer 2 串起来跑一个小闭环：用y3-obj-edit批量出单位，用y3-lua-pipeline出逻辑，用y3-ui-pipeline出界面，然后立刻用y3-auto-test验一轮。这个闭环跑顺了，再把y3-template-export加进来，把验证过的玩法模块打包成 logic.lua + .upui + ReadMe 三件套，跨工程复用。一个用 3 天开发的连杀判定系统，导出后 10 分钟内能集成到新工程，这是 UGC 内容复用率提升的关键一步。
模型通道这边，长期高频跑编码和 Agent 任务的话，Coding Plan（ https://taotoken.net/coding-plan ）比按次调用更划算；接入细节和字段说明在 https://taotoken.net/doc 都能查到；需要新建或轮换 Key 就去 https://taotoken.net/api-keys 。把模型通道、技能矩阵、Y3 工程三层叠起来，你手里就有一条能持续产出 UGC 内容的智能化流水线，而不是一堆零散的单点工具。
