他在 AI 时代做了款「不需要拼写」的填字游戏

最近一周，开发者社区里出现了一个小项目叫 Squishword，作者的目标很清楚——做一个不靠拼写，而是靠「意思」来玩的每日单词游戏。作者自己是填字游戏和 Wordle 的老玩家，但觉得这两类游戏的核心约束都是单词的拼写写法，而他自己想做的方向不太一样。

他的起点是「LLM 能让我们造一种新的东西，叫 Squishy Systems（可揉捏系统）——一种不必完全程序化定义的系统」。这套思路让游戏感觉更像跟朋友玩桌游，需要一个人类裁判，而不是纯算法判定。这件事在单机电子游戏里一直做得不太好，因为需要一个判定者。

Squishword 是这个思路的一次简单尝试。规则作者没全讲，只举了一个例子：dog 可以拆成 bark 和 animal；bark 加 plant 又能组成 tree。整个玩法是从一个词通过加、减、合并、拆解四种动作到达另一个词。灵感来自「维基百科游戏」——靠点击链接从一篇随机文章跳到另一篇，每次只能点一条链接，最后看几步能到目标。

真正花功夫的部分在判定公平性。作者坦承「对判定的行为做校准让结果公平花了很多功夫，到今天我也没 100% 满意」。他为了让判定分布更均匀，做了比游戏本身还多的工具和可视化，比如一个 11x11 的逻辑与巧妙度矩阵，对每个动作打分。这件事被他自己定义为「LLM 进产品里的简单例子」。

所以这个项目的成本不在游戏本身，而在如何确保 LLM 当裁判时打分稳定。如果裁判偏严，所有动作都会被判低分，玩家觉得挫败；如果裁判偏松，所有动作都高分，又失去区分度。作者用这个 11x11 矩阵去观察 LLM 评分的分布，统计每一格的占比，看看是否过分集中在某个分数段，再调提示词去拉平分布。

最后他抛了个问题给社区：更复杂的工作流是怎么处理这类判定的？

这件事有意思的点在于，作者没有把 LLM 当作万能答题机，而是把 LLM 当成一个语气对、节奏对、判定稳定的「虚拟玩家」。这件事的难点不在 LLM 自己，而在判定标准如何在大量动作里保持一致——这个 11x11 矩阵就是用来校准这个一致性的。

如果哪天你想做一个跟 LLM 协同的小产品，值得读读这篇帖子，学到的不是 LLM 多强，而是「让 LLM 做裁判这件事，远比让它写代码麻烦」。

创业找资源，上乌鸦部落。