BBC Micro AI Agent 实验：让大模型编写 8 位机 BASIC 绘图

一项名为「BBC Micro AI Agent」的假期副业项目尝试用 AI Agent 为 1981 年发布的 8 位计算机 BBC Micro 自动编写 BASIC 绘图程序。项目团队通过 OpenRouter 统一调用多种开源权重和闭源模型，包括 GPT-5.6 Sol、Kimi K3、Gemini 3 Flash、DeepSeek V4 Flash 和 Gemma 4 26B A4B，让 Agent 在「计划—编写—执行—观察—迭代」的循环中自主生成可在 BBC Micro 上运行的程序。

实验背景与目标

BBC Micro Bot 社区多年来积累了大量不超过 500 字符的 BBC BASIC 一行式程序（one-liner），展现出惊人的创造力。本次实验并未沿用既有作品，也不强求一行式技巧，而是给模型提供机器背景说明、可调用的 BBC Micro 模拟器，以及一个对图形输出进行评判的视觉语言模型（VLM）。每次生成的程序会送入 beebjit 模拟器运行最多 30 个仿真秒；若崩溃则直接重写，只有成功运行出画面的程序才会被送入评判环节。

测试场景包括海洋日落、巴士、乡间房屋、城市夜景，以及经典的「骑自行车的鹈鹕」——后者源自 Simon Willison 自 2024 年起反复让 LLM 绘制 SVG 的趣味挑战，本次实验将其移植到 320×256、四色限制的 BBC Micro 上。

Agent 架构

Agent 采用简单的反馈循环，整体分为五步：

计划（Plan）：模型调用 plan 工具，用文字描述画面构成——形状、颜色、大小、位置，并给出伪代码大纲。
编写（Write）：一次性生成完整程序，每次从零开始写约几百字符的 BASIC，可调用 lookup 查询绘图参考（如 PLOT 映射、VDU 码、尺寸技巧）或 count_chars 获取 tokenize 后的真实长度。
执行（Act）：通过 run_check 把程序送入 beebjit 模拟器，返回截图或错误信息（如「Division by zero at line 30」）。
观察（Observe）：由 Qwen3 VL 担任 VLM 评判，从画面与意图匹配度两方面打分。例如 Kimi 首次绘制鹈鹕骑车时被打出 4/10，被指出缺少喉囊、车轮缺辐条与脚蹬等细节。
完成或循环：若评判分数允许且剩余步数充足则回到编写步骤；最终提交时由 Agent 框架挑选整轮中得分最高的版本，而非模型自选。

模型表现与成本对比

不同模型在成本与生成效果上差异显著。以单张图平均成本（输入/输出 token）为例：

Gemma 4 26B A4B：约 0.008 美元，52K/9.9K token
DeepSeek V4 Flash：约 0.012 美元，167K/19.3K token
Gemini 3 Flash：约 0.034 美元，50K/4.3K token
GPT-5.6 Sol：约 0.068 美元，11K/1.4K token
Kimi K3：约 0.193 美元，68K/5.7K token

作者特别提到，Gemma 4 26B A4B 这类可在边缘或浏览器本地运行的小模型，已经能够输出可执行的 BBC BASIC 程序并绘制尚可的画面，显示低成本推理具备落地潜力。

改进方向与时间分配

以 Kimi 的鹈鹕案例为例，整轮共调用模型 12 次、耗时 295 秒。模拟器实际运行时间被压缩到 0.23 秒一次，仅占整轮 0.7%，远低于单次模型调用的开销。主要可优化方向包括：

当分数停滞时及时终止：最强模型 4 轮即可出图，最弱模型需要 12 轮还起伏不定；让 Agent 看到自身分数历史并在平台期停止，有望以一半的调用成本达到同等画质。
降低评判开销：VLM 评判占总时长的 15%，可考虑每隔一次渲染评判一次，或在中间轮使用小视觉模型、终轮再调用大模型。
减少输入 token：当前绘图参考每次都全量附带，可将低频内容移至 lookup 取用，但可能拖累弱模型主动查阅的能力。
按模型能力定制上下文：实验中发现，把抖动指引改写成可复制粘贴的精确配方对强模型无影响，却让弱模型过度调用并破坏了画面；通用上下文难以普适，需要按模型分级度量。

整体来看，这是一项关于 Agent 经济性而非模型本身能力的探索，结论指向小模型 + 模拟器反馈回路在受限创作任务上的可行性。