一、模仿只能学到形，真正的创作还需要灵魂

　　最近，我尝试制作了一个 3D 沉浸式音乐课件。坐下来真正动手之后，才发现这件事远没有想象中那么简单。
　　最开始，我的想法很直接：既然别人能够做出这样的 3D 场景，那么我参考他的作品，照着做一个不就行了吗？
　　但真正尝试之后，我发现，模仿只能模仿出形式，却不一定能够复制作品背后的思路与灵魂。
　　即使最后做出了一个看起来相似的东西，也可能只是一个比较拙劣的仿制品。场景或许有了，人物或许也有了，但整个作品的设计逻辑、教学意图、交互体验，以及各个环节之间的联系，却不一定真正建立起来。
　　这也让我意识到一个问题：我是不是有些为了技术而技术，为了 AI 而 AI？
　　我们看到别人做出了一个看起来很炫酷的 3D 课件，就迫不及待地想要复制它。但在动手之前，我们有没有认真思考过：这个技术究竟能够解决什么问题？它对音乐课堂有什么实际帮助？为什么要采用这种形式，而不是传统的 PPT？
　　如果只是为了让课件看起来高大上，那么即使运用了再先进的技术，也未必能够真正提高教学效果。
　　我也想起了活动主办方提到的一句话：没有最好，只有更好。相关作品本身也是一种尝试，并不意味着它已经是一个完全成熟的成品。
　　既然如此，我们自己又何必一开始就追求完美呢？
　　重要的是，在尝试的过程中不断发现问题、解决问题，再逐步改进。

二、第一步不是制作，而是弄清楚别人究竟做了什么

　　这次探索最开始遇到的困难，甚至不是如何编写代码，而是我根本不知道自己看到的东西究竟是什么。
　　当时，我看到了一种 3D 沉浸式游览场景，并且它被运用到了小学音乐课堂的课件中。整个作品看起来不像传统的 PPT，更像是一个可以进入其中进行游览、与场景互动的数字空间。
　　但问题来了：它到底是什么？
　　它是一个 PPT 文件吗？还是一个 EXE 格式的独立程序？又或者，它实际上是一个可以在浏览器中运行的 HTML 网页？
　　如果连作品的基本形态都不知道，又怎么可能动手制作呢？
　　于是，我开始向别人询问，也借助 AI 分析这种作品可能采用的技术方案。
　　经过这一番了解，我逐渐知道，这类作品很可能是基于 Three.js 等网页 3D 技术制作的。Three.js 是一个用于在网页中创建和展示三维图形的 JavaScript 库。
　　这一下，思路就打开了。
　　原来，所谓的 3D 沉浸式场景，并不一定需要开发一个庞大的独立软件。它也可以是一个网页项目，通过浏览器呈现三维场景，并加入人物移动、场景切换、文字提示和交互操作等功能。
　　当然，这只是对我所看到的作品的一种技术判断，并不代表已经确定了原作品的实际技术栈。
　　但对初学者而言，这个判断已经非常重要了。
　　因为只有先弄清楚自己要做的究竟是什么，才能进一步寻找合适的工具，确定制作路线。
　　遇到一个陌生的作品，不要急着照着做，先试着弄明白它是什么、由什么构成，以及它可能是怎样实现的。

三、寻找 3D 模型：我走过的一段弯路

　　弄清楚大致的技术方向之后，我又遇到了新的问题：场景里的物体从哪里来？
　　我看到一些 3D 场景中有亭子、桌椅、建筑等物体，便开始在网上寻找相关的 3D 模型。
　　在搜索过程中，我接触到了 GLB、glTF 等格式，也找到了不少可以下载 3D 模型的网站。
　　这些模型本身并没有问题。有些制作得相当精细，甚至可以直接用于三维场景。
　　但是，当我真正把它们放到整个项目中考虑时，就发现了一个问题：单个模型做得再好，也不等于整个场景就能做得好。
　　一个亭子是一个模型，一张桌子是一个模型，一把椅子又是一个模型。它们只是相互独立的素材，并不会自动组合成一个完整的沉浸式游览空间。
　　更何况，模型的文件体积、材质、贴图、加载速度以及不同模型之间的风格统一，都需要考虑。
　　如果一开始就把大量精细模型堆进去，项目可能还没达到理想的效果，加载和性能问题就先出现了。
　　这让我逐渐认识到，寻找 3D 模型并不是制作这类课件的核心。
　　模型可以锦上添花，但真正决定作品效果的，还有场景布局、视觉风格、教学流程和交互设计。
　　特别是对于小学音乐课件而言，我们没有必要为了追求真实感，把每一张桌椅都做得极其精细。我们真正需要的是一个能够服务于教学目标的场景。

四、从豆包到其他 AI：不要被自己熟悉的工具限制住

　　最初，我对 AI 工具的认识其实比较有限。当时，我觉得豆包已经是一个很好用的 AI 了。
　　于是，我也尝试让它帮助我生成 3D 场景。
　　但在实际尝试中，我发现，直接要求 AI 生成一个完整的、具有一定复杂度的 3D 沉浸式游览场景，并不是一件容易的事情。
　　它可能能够给出基本的代码或者简单的场景，但距离一个具有完整空间布局、良好视觉效果、人物控制和交互逻辑的项目，还有不小的差距。
　　这让我意识到，不同 AI 工具的能力存在差异。
　　有些工具更适合日常问答、文本整理和办公任务；有些则更适合编写代码、修改项目文件、调试程序，以及处理涉及多个文件的复杂任务。
　　如果一直局限在自己最熟悉的工具里，就很容易把工具的能力边界误认为整个 AI 技术的能力边界。
　　豆包暂时做不好的事情，并不意味着其他 AI 也做不好。
　　所以，我开始继续寻找其他工具，尝试了解不同模型的特点，以及它们分别适合完成什么任务。

五、从 ChatGPT 到 Claude：重新认识 AI 编程能力

　　在进一步搜索资料的过程中，我接触到了 ChatGPT、Claude 等 AI 产品，也看到了不少借助 AI 生成网页项目的案例。
　　其中，Claude 相关模型在复杂代码生成、项目修改等任务中的表现引起了我的注意。
　　我开始意识到，制作 3D 场景并不只是让 AI 生成几段代码那么简单。真正困难的地方，是让 AI 理解整个项目的结构，完成场景搭建，再根据实际效果不断修改和完善。
　　这也是为什么，面对复杂项目时，选择合适的模型会产生明显的影响。
　　不过，这并不意味着某个模型在所有任务中都一定最好。模型的表现还会受到具体版本、提示词、上下文、工具调用能力以及项目复杂度等因素的影响。
　　在我的实际探索中，Claude 相关模型是值得尝试的一个方向。
　　但与此同时，我也发现了现实问题：使用这些模型，往往还要考虑访问方式、API 配置和调用成本。
　　当我设法获得 API Key，并尝试通过支持自定义模型的工具调用相关模型时，才真正体会到，AI 的能力越强，使用成本也越值得关注。
　　如果只是偶尔生成一个小项目，费用可能并不明显；但如果反复生成、修改、调试，或者让模型持续处理大量代码，费用就可能逐渐累积。
　　这也让我开始寻找成本更低的替代方案。

六、编程智能体与办公智能体：音乐教育专业也需要了解它们

　　在寻找替代工具的过程中，我接触到了腾讯 WorkBuddy、Qoder，以及千问相关的办公和编程工具。
　　经过一番了解，我开始尝试把这些工具按照自己的实际用途进行区分。
　　这里所说的分类，并不是严格的行业标准，而是我为了方便自己理解和使用而做的一种划分。

1. 办公智能体：处理日常工作

　　办公类智能体更适合处理常见的办公任务，例如：

  • 整理文字材料、修改 Markdown 文档。
  • 生成或者处理 Word 文档。
  • 协助制作 PPT。
  • 整理资料、提炼要点。
  • 对现有内容进行修改和完善。

　　这些任务通常围绕现成的文档、文字和办公流程展开。
　　对于音乐教育专业的学生来说，这类工具已经能够解决很多日常问题。

2. 编程智能体：处理复杂项目

　　编程智能体则更适合处理需要编写代码、管理项目文件、运行程序和反复调试的任务。
　　例如：

  • 制作一个具有交互功能的 3D 网页。
  • 搭建一个可以自由游览的虚拟场景。
  • 开发一个简单的小程序。
  • 制作具有动画和交互逻辑的教学应用。
  • 根据反馈修改项目中的场景、人物和操作方式。

　　这里有一个值得注意的地方。
　　对于非计算机专业的学生来说，听到“编程智能体”，很容易觉得这是一个离自己很远的工具，仿佛只有学习计算机专业的人才需要使用。
　　但我现在的理解是，使用编程智能体，并不意味着我们必须先成为程序员，而是可以借助它处理过去很难独立完成的复杂任务。
　　我们真正需要掌握的，是如何把自己的想法说清楚，如何描述预期效果，以及如何判断 AI 生成的结果是否符合要求。
　　当然，基本的技术常识仍然很有帮助。比如，知道 HTML 是什么、Three.js 能做什么、项目文件通常如何组织，就能够帮助我们更准确地与 AI 沟通。
　　对于音乐教育专业的学生而言，这意味着我们也有机会借助 AI，把音乐教学中的创意转化为更丰富的数字作品。

七、我的工具探索：WorkBuddy、Qoder 与千问

　　在实际尝试中，我开始关注几个可以用于复杂任务的工具。
　　一类是腾讯 WorkBuddy，另一类是 Qoder，还有千问相关的编程工具和模型。
　　我逐渐发现，工具本身并不是唯一的关键，工具背后使用什么模型，同样值得关注。
　　有的工具支持配置自定义模型，有的工具可以使用平台提供的模型，还有的工具在特定时期会提供限时免费额度或者预览模型。
　　这给了我一个新的思路：不一定非要始终使用同一个软件，也不一定非要始终使用同一个模型。
　　如果某个工具更适合生成初始项目，就先让它搭建框架；如果另一个工具更适合修改代码，就可以再用它进行完善。
　　换句话说，我们可以根据不同任务的特点，选择更合适的工具。
　　在我的测试中，WorkBuddy 和 Qoder 都是值得继续尝试的方向。千问相关工具中的部分模型，以及腾讯混元的部分预览模型，也曾为我提供过低成本的尝试机会。
　　需要说明的是，模型名称、免费政策、调用额度和可用性都可能发生变化。因此，我在这里记录的是自己的探索经历，并不意味着这些模型在任何时间、任何账号下都一定可以无限免费使用。
　　如果准备实际使用，还是需要以各个平台当时公布的规则为准。

八、真正重要的不是模型，而是你会不会提问题

　　回过头来看，我觉得这次制作经历中，最值得记录的并不是我找到了多少个 AI 工具，而是我逐渐认识到了一个问题：在 AI 时代，提出问题、拆解问题和持续改进的能力，可能比单纯记住某个工具的操作方法更加重要。
　　比如，我最开始想制作的是一个《时间像小马车》的 3D 沉浸式音乐课件。
　　如果只是简单地告诉 AI：
　　“帮我制作一个《时间像小马车》的 3D 课件。”
　　那么，AI 虽然可能生成一个初步的项目，但它并不知道我究竟想要什么样的场景。
　　我希望学生能够进入一个什么样的世界？需要几个场景？每个场景分别承担什么教学任务？学生怎样与环境互动？这些问题如果不说清楚，AI 就只能根据自己的理解进行发挥。
　　因此，我开始尝试把需求具体化。
　　例如，可以先告诉 AI：
　　“我想制作一个小学音乐课《时间像小马车》的 3D 沉浸式游览课件，请设计三个到四个具有不同教学功能的场景。其中一个场景可以围绕向时光老人提问展开，其余场景请结合歌曲的教学内容进行合理设计。整体应具有适合小学生的视觉风格，并支持基本的场景游览与交互。”
　　这只是一个初步的需求示例，并不是说提供这一句话，就一定能够生成完美的作品。
　　但它至少明确了课件主题、使用对象、场景数量和基本交互要求。
　　接下来，我们还可以继续提出更具体的要求：

  • 场景应该采用什么样的视觉风格？
  • 人物能否通过键盘控制移动？
  • 不同场景之间能否自由切换？
  • 是否需要加入任务提示、对话和教学内容？
  • 场景中的交互是否能够服务于歌曲学习？
  • 页面在普通电脑上能否顺畅运行？

　　当这些问题逐渐明确之后，AI 才更有可能生成符合预期的项目。
　　更重要的是，第一次生成并不是工作的结束。
　　我们需要实际运行项目，观察它的效果，再针对具体问题提出修改意见。
　　例如，如果人物移动不自然，就要求调整移动逻辑；如果场景布局过于空旷，就要求重新设计空间；如果某个交互按钮不起作用，就让 AI 检查相关代码。
　　但是，我也在过程中发现，如果初始设计存在比较严重的问题，后续反复打补丁，未必能够得到理想结果。
　　有时候，与其在一个不合适的方案上持续修改，不如重新明确需求，让 AI 重新生成相关部分，甚至从头搭建。
　　因此，我现在更倾向于把整个过程理解为：
　　明确需求 → 生成初稿 → 实际运行 → 发现问题 → 提出修改意见 → 再次验证。
　　这才是制作复杂 AI 项目时真正需要掌握的工作方式。

九、从成品反推制作过程：我走过的弯路

　　这次经历让我想到了一个有意思的比喻。
　　假设我们看到别人已经做出了一个数字“6”。
　　这个结果摆在我们面前，我们并不知道它究竟是怎样得到的。
　　它可能是 3 加 3，也可能是 2 乘 3，还可能是经过一系列更复杂的运算得到的。
　　我们的工作，就是从最终结果出发，不断反推它背后的生成过程。
　　在制作 3D 课件时，我经历的其实也是类似的过程。
　　我先看到了别人的成品，然后开始思考：
　　它究竟是用什么技术制作的？使用了什么 AI 工具？背后调用的是什么模型？提示词可能是怎样写的？又是如何把不同的场景、人物和交互功能组合起来的？
　　每解决一个问题，就会出现下一个问题。
　　一开始，我甚至不知道应该寻找什么样的软件；后来，我知道了 Three.js 这样的技术方向，又开始寻找 3D 模型；再后来，我逐渐认识到，真正影响结果的还有 AI 模型的能力、编程智能体的使用方式，以及需求描述是否足够清晰。
　　这个过程确实走了不少弯路。
　　但如果没有这些探索，我可能始终只会停留在“别人做出了一个很厉害的作品”这个层面，而不知道自己究竟可以从哪里开始。
　　现在回过头看，我觉得这段经历最大的收获，就是把一个原本看起来十分复杂、甚至有些神秘的作品，逐渐拆解成了自己能够理解和尝试的步骤。

十、写在最后：不要为了 AI 而 AI

　　这次制作 3D 沉浸式音乐课件的经历，让我对 AI 有了新的认识。
　　过去，当我看到一个复杂的数字作品时，可能会觉得它背后一定有非常专业的团队，或者需要掌握许多高深的技术。
　　但现在我逐渐发现，在 AI 的帮助下，一些过去需要较高技术门槛的任务，已经有机会被普通人尝试完成。
　　当然，这并不意味着技术本身已经不重要，也不意味着只要输入一句提示词，就可以自动得到一个成熟的作品。
　　从想法到成品，中间仍然需要需求分析、工具选择、效果判断、问题排查和反复修改。
　　AI 降低的是部分实现门槛，而不是取消了思考的必要。
　　对于音乐教育专业的学生来说，这一点尤其值得重视。
　　我们学习音乐、研究教学，是为了让学生更好地理解音乐、感受音乐，而不是单纯地展示自己掌握了多少新技术。
　　如果 3D 场景能够让学生更有兴趣地进入歌曲情境，帮助他们理解歌词、节奏和音乐表现，那么这种技术就有它的价值。
　　如果一个课件只是看起来炫酷，却没有真正服务于教学，那么即使它使用了再先进的 AI，也未必是一个好的课件。
　　所以，我希望自己在今后的探索中，既能够继续学习新的技术，也能够不断提醒自己：不要为了技术而技术，不要为了 AI 而 AI。
　　技术是手段，教学是目的；工具可以帮助我们实现创意，但真正决定作品价值的，仍然是我们想解决什么问题，以及我们希望带给学生什么。
　　这大概就是我这次制作 3D 沉浸式音乐课件，最想记录下来的一点心得。