【AI+Unity开发新姿势】MCP for Unity 完整配置指南 —— 让AI帮你操控Unity编辑器

视频来源: B站 UP主「好昵称就是要很长很长」
视频链接: https://www.bilibili.com/video/BV1BCrdBdERT/
发布日期: 2026-01-15


一、什么是MCP for Unity?

MCP(Model Context Protocol)是 Anthropic 提出的模型上下文协议,Unity 官方基于此协议推出了 MCP for Unity 插件包,让 AI 助手可以直接操作 Unity 编辑器,替代大量重复的手动操作。

简单来说,就是把 Unity 变成一个可以被 AI 控制的"智能助手",你描述需求,AI 自动帮你完成场景搭建、脚本挂载、参数设置等工作。


二、视频核心内容

本视频手把手教你在 Claude Code 命令行版本中配置 MCP for Unity,主要包含以下内容:

1. MCP for Unity 包获取与配置

  • Unity 官方资源商店(Unity Asset Store)获取官方 MCP for Unity 包
  • 了解包的安装与基本配置
  • 包的版本更新与兼容性说明

2. 本地Python环境搭建

  • 使用 uv 包管理器快速搭建Python环境
  • uv 是一个用 Rust 编写的超快速 Python 包管理器,比 pip 快 10-100 倍
  • 安装必要的 MCP Server 依赖

3. Claude Code 命令行版与 Unity Server 桥接配置

视频详细演示了 Claude Code 命令行版本的配置方法:

  • Claude Code — Anthropic 官方推出的 AI 编程助手(命令行版本)
  • Windsurf — Codeium 推出的 AI 编程助手
  • Cursor — 热门 AI 代码编辑器

关键配置项:

  • 支持 HTTP / STDIO 双协议
  • 配置文件示例与关键参数说明
  • 多客户端统一配置方案

4. 实战演示:通过@指令调用MCP工具

  • 在 AI 对话中输入 @ 指令即可调用 MCP 工具
  • AI 自动读取项目层级、修改资源属性
  • 支持直接构建场景、创建预制体

三、项目亮点

特性说明
24种内置功能覆盖GameObject操作、组件管理、场景编辑、脚本创建等
双协议支持HTTP 和 STDIO 灵活切换,适应不同使用场景
自动代码生成AI操作后自动生成对应C#代码
多AI客户端兼容Claude Code、Windsurf、Cursor 等主流工具均支持
零学习成本通过自然语言描述即可完成复杂操作

四、MCP for Unity 能做什么?

MCP for Unity 内置了 24 种常用功能,包括但不限于:

场景操作

  • 读取场景层级结构
  • 创建/删除 GameObject
  • 修改物体 Transform
  • 设置 Tag 和 Layer

组件管理

  • 添加/移除组件
  • 读取/修改组件属性
  • 动态创建脚本组件

资源管理

  • 创建预制体
  • 管理材质和纹理
  • 导入和配置资源

编辑器控制

  • 播放/暂停/停止游戏
  • 截图和录制
  • 构建和发布

五、为什么值得学习?

传统 Unity 开发中,大量时间花在:

  • 手动挂载脚本到物体
  • 设置 Tag 和 Layer
  • 调整 Inspector 参数
  • 创建预制体和场景结构
  • 编写重复的业务逻辑代码

通过 MCP for Unity,一句话描述你的需求,AI 自动完成以上操作,开发效率大幅提升!


六、总结

MCP for Unity 代表了 AI 辅助游戏开发的新方向。通过 Claude Code 命令行版本与 MCP for Unity 的结合,开发者可以将更多精力放在创意和设计层面,而将繁琐的重复性工作交给 AI。

视频演示了完整的配置流程,即使是新手也能快速上手。建议配合官方文档一起学习,效果更佳。

参考资料:

  • 视频原链接:https://www.bilibili.com/video/BV1BCrdBdERT/
  • MCP 官方文档:https://modelcontextprotocol.io/
  • Unity Asset Store:搜索 MCP for Unity(Unity官方资源商店)

Read more

【选型】地瓜机器人RDK系列选型指南:X3 vs X5 vs S100 vs S100P(含资源对比图)

【选型】地瓜机器人RDK系列选型指南:X3 vs X5 vs S100 vs S100P(含资源对比图)

在机器人开发领域,地瓜机器人(D-Robotics)凭借其“RDK(Robot Developer Kit)”系列开发套件,已成为众多开发者和创业团队的首选平台。从轻量级边缘计算到高性能具身智能,地瓜机器人已构建了覆盖多场景的完整产品线,致力于为开发者提供高性价比、高集成度、高扩展性的解决方案。其核心芯片“旭日®”系列持续迭代,推动AI与机器人深度融合,助力实现从感知到控制的全链路自主化。 本文将深入对比当前主流的四款RDK开发套件:RDK X3、RDK X5、RDK S100、RDK S100P,并提供详细的资源对比图与应用场景分析,帮助你快速完成技术选型,降低开发门槛,提升项目落地效率。 一、产品定位概览 在深入参数前,先明确每款产品的核心定位,以便根据项目阶段、预算和性能需求做出合理选择。 ● RDK X3:轻量级边缘AI计算模组,适合入门级机器人、智能摄像头、无人机等低功耗、小体积场景。是初学者和教育项目的理想起点,具备基础AI推理能力,可快速搭建视觉识别系统。 ● RDK

基于西门子S7-1200FC PLC与松下机器人Profinet通信实现机器人外部自动控制应用

⒈训练主题 通过西门子S7-1200 PLC与松下机器人Profinet通信实现机器人的外部自动化控制,应用中程序的调配采用二进制方式,同时PLC需要采集机器人安全作业原点(Home点),保证机器人安全作业,通过PLC的编程调试和机器人的配置实现上述功能。 ⒉软硬件配置 ⑴硬件配置 ①机器人控制系统:TM1800G3机器人:YA-1VAR81;机器人连接电缆:TSMWU894LM;电缆单元:TSMWU600;200V/380V变压器:TSMTR010HGG;RT轴焊丝盘架(刚用):TSMYU204;校枪尺:AXU01727T;机器人通信装置(Profinet):TSMYU965,产品实物如下图。 ②西门子PLC:CPU 1214FC DC/DC/RLY,型号:6ES7 214-1HF40-0XB0。 ③按钮:若干。 ④调试电脑1台,注意电脑IP地址在同一个网段(IP:192.168.0.***),子网掩码为:255.255.255.

从零开始:Stable Diffusion API本地部署与实战调用指南

1. 环境准备与本地部署 想要玩转Stable Diffusion API,第一步得先把环境搭建好。这就像你要做菜,总得先有个厨房对吧?我推荐直接从GitHub克隆官方stable-diffusion-webui项目,这是最稳妥的选择。不过要注意,你的显卡最好是NVIDIA的,显存至少4GB起步,不然跑起来会非常吃力。 安装过程其实比想象中简单。先确保系统有Python 3.10.6,然后按顺序执行这几个命令: git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git cd stable-diffusion-webui pip install -r requirements.txt 启动时有个关键点要注意:必须加上--api参数!这个参数就像是打开大门的钥匙,不加的话API功能就用不了。启动命令长这样: python launch.py --api 第一次运行会自动下载模型文件,文件比较大可能要等一会儿。我遇到过下载卡住的情况,这时候可以手动把模型文件放到models/Stable-dif

宇树G1机器人强化学习训练完整实战教程

宇树G1机器人强化学习训练完整实战教程

0. 前言 人形机器人的运动控制一直是机器人领域的重要挑战,而强化学习为解决这一问题提供了强有力的工具。本教程将基于宇树G1人形机器人,从基础的强化学习环境搭建开始,逐步深入到高自由度模型的训练配置、奖励函数设计与优化,最终实现复杂动作的训练控制。作者看到一个很棒的系列,所以针对性的对文章内容进行了整理和二次理解,方便大家更好的阅读《不同自由度的宇树G1机器人强化学习训练配置及运行实战 + RSL-RL代码库问题修复》、《宇树G1机器人强化学习训练奖励函数代码架构 + 创建新的奖励函数(1)》、《RL指标分析与看板应用 — 宇树G1机器人高自由度模型强化学习训练实战(3)》、《调参解析 — 宇树G1机器人高自由度模型强化学习训练实战(4)》、《舞蹈训练?手撕奖励函数 — 宇树G1机器人高自由度模型强化学习训练实战(5)》。 1. 强化学习训练环境配置 1.1 基础环境搭建 宇树机器人的强化学习训练基于Isaac Gym物理仿真环境和RSL-RL强化学习框架。首先需要确保这两个核心组件正确安装和配置。 在开始训练之前,我们通过简单的命令来启动12自由度G1机器人的基础训练: