最近打算尝试开发小游戏，而小游戏的首选引擎自然是 Cocos Creator。虽然最近几年没怎么使用，但这毕竟是我用了多年的引擎，很多操作还留在肌肉记忆里，捡起来并不算难。加上现在 AI 写代码的能力越来越强，我总觉得这两件事凑在一起，应该能碰撞出点有意思的东西。
于是我打算借助 AI 来开发 Cocos Creator 项目。不过真正动手之后才发现，事情没那么简单。众所周知，让 AI 控制带界面的引擎非常困难：它能写脚本，却看不见场景里的节点，也点不动编辑器里的按钮。模型再聪明，拿不到项目的真实状态，写出来的东西也只能靠猜。
所以我开始在网络上寻找现成的 MCP 服务，想让 AI 通过一套标准协议直接和编辑器对话。
遗憾的是，开源的 MCP 服务基本跑不起来。要么年久失修，要么只支持很老的版本，折腾半天连启动都成问题。所幸还有一个收费版本，功能看起来比较完整，但对早期尝试而言，性价比并不高。
我还是注册了账号并领取了三天试用期，想先看看这类工具究竟能做到什么程度，对这套收费版 MCP 做了一番测试。
试用感想#
- 缺少代码约束：使用过程中需要补充针对代码设计的约束，但 MCP 服务本身并没有提供。对不了解 Cocos Creator 的人来说，这将是噩梦级别。大模型以“任务完成”为导向产出的代码，虽然能跑，但结构混乱，根本无法进行二次开发。
- Token 消耗偏高：Token 消耗似乎不少，而且关键代码被混淆，导致难以理解。模型看不懂自己在改什么，后面越改越乱。
- 价格不菲：在如今 AI 泛滥的年代，没有什么是不能直接让 AI 做一个的，关键在于你是否具备指导 AI 的能力。
试用下来，我的感受很复杂：方向是对的，但产品还太“黑盒”。既然核心能力无非是把编辑器的操作暴露成工具，那我为什么不自己做一个？所以我决定自己写一个 MCP 服务器，并将其开源。
实现思路#
首先，我了解到 Cocos Creator 是基于 Electron 编写的，内部通信使用 IPC 协议，并且官网留下了很多有用的文档。这一点很关键——只要能看到编辑器自己是怎么收发消息的，理论上它的每一个操作都能被复现。
我从文档入手，让 AI 把文档内容通读了一遍，再把基础功能加入 MCP 服务。这样 AI 就具备了一些读取场景的能力，至少知道当前场景里有哪些节点、层级关系如何。不过至此，想让 AI 完整地编写一个游戏仍然非常吃力，很多操作无法完成。
后来我尝试打开了消息管理器，通过每一次操作对应的消息，指导 AI 完成了对整个项目的控制能力。这有点像“录屏教学”：我在编辑器里点一下，消息管理器里就留下一条记录，我再把这条记录翻译成 MCP 工具。点得越多，AI 能做的事就越多。
为了减少 AI 对工具的调用次数，我还加入了批量修改、添加、创建、删除等功能，并补充了批量添加操作的能力。原因也很实际：每多一次工具调用，就多一轮上下文和 Token 消耗，批量接口能让模型一次说清楚要做什么，效率和稳定性都更高。
目前它主要覆盖场景与节点的读取和批量化编辑，足够支撑“先看现场，再动手改”的工作流。至于更复杂的能力，我还在一点点补。
开源地址#
项目已开源，欢迎 Star 和反馈，也欢迎提 Issue 告诉我你希望它支持什么：
https://github.com/lixxix/cocos-mcp
使用方式#
将项目 clone 下来后，执行以下命令：
npm install
npm run build然后把它添加到插件中：
点击启动 MCP 进行启动：
接着在 Agent 中配置 MCP 服务：
{
"cocos-mcp": {
"type": "http",
"url": "http://127.0.0.1:3002/mcp"
}
}不同 Agent 的配置略有差异，但在 HTTP 类型下都很好配置，基本照着填地址就行。
一点使用建议#
配置好之后，我建议不要一上来就让 AI “做个游戏”。比较稳妥的方式是先让它读取场景、熟悉项目结构，再从一个具体的小需求开始，比如“在这个节点上挂一个按钮、点击后跳转场景”。每完成一步就跑一下确认效果，有问题及时纠正。
另外，把约束提前说清楚很重要：命名习惯、目录结构、组件拆分方式，最好都在提示里交代明白。MCP 解决的是“能不能操作”的问题，至于“操作得好不好”，还是得靠人来把关。
效果展示#
以下是我用一句话让 AI 开发出来的游戏效果图。需要说明的是：当前 Agent 还没有项目配置的能力，如果需要调整项目的适配尺寸，要提前在配置中设置。
虽然离“一键生成完整游戏”还很远，但至少现在，AI 已经能真正看见并改动我的项目了。剩下的，就是慢慢把这条路走宽。