looper-golf

核心用法

Looper Golf 是一个基于 CLI 的虚拟高尔夫球游戏技能，AI 代理可通过命令行工具与远程游戏服务器交互，完成完整的高尔夫回合。核心工作流程为：使用 courses 查看可用球场 → start 开始/恢复回合 → 每洞循环执行 look 查看地图 → bearing 计算击球角度 → hit 执行击球。支持两种模式：球童模式（默认，AI 作为球手与人类协作决策）和自主模式（AI 独立完成所有击球，适合快速推进多洞）。自主模式下推荐每洞启用独立子代理以保持上下文清洁。

显著优点

1. 双模式灵活切换：用户可随时在自主与协作模式间切换，如"前9洞自主，后9洞一起打"，兼顾效率与互动乐趣。
2. 精确的击球计算：内置 bearing 命令自动计算角度和距离，避免猜测，结合线性距离公式实现精准控球。
3. 零外部依赖：仅使用 Node.js 内置模块（fs, path, process），无第三方包引入供应链风险。
4. 状态持久化：服务器端保存回合进度，子代理可无缝接续，支持长时间游戏的断点续玩。
5. 地图可视化：ASCII/Grid 双格式地图，符号系统清晰标识球道、障碍、果岭等要素，策略性强。

潜在缺点与局限性

1. 娱乐场景单一：纯高尔夫球模拟，无扩展游戏类型或训练模式，长期可玩性依赖服务器内容更新。
2. 网络依赖性强：所有游戏状态需实时同步远程服务器，离线不可用，延迟可能影响体验。
3. CLI 学习成本：非图形界面，用户需理解坐标读取、角度计算等概念，对休闲玩家不够友好。
4. 子代理管理复杂：自主多洞时需手动控制子代理生命周期，配置不当可能导致状态混乱。

适合的目标群体

• AI 能力演示者：需要展示代理自主决策与协作能力的开发者或教育者
• 休闲游戏爱好者：喜欢策略性体育模拟、愿意通过文本交互体验高尔夫的用户
• OpenClaw 生态用户：已使用 OpenClaw 平台的开发者，希望扩展娱乐类技能场景
• 人机协作研究者：探索 AI 与人类在动态决策中互动模式的科研人员

使用风险

• 性能风险：高频 look//hit` 调用可能受网络延迟影响，自主模式批量操作建议控制子代理数量
• 依赖项风险：需 Node.js 运行时环境，版本兼容性需验证
• 数据持久化风险：agent.json 存储明文 API 密钥，多用户共享环境需设置文件权限为 0600
• 服务器可用性：游戏完全依赖 api.playlooper.xyz 或自定义服务器，服务中断将导致不可用