Spellcaster：六 Agent 协作的 AI 游戏生成平台

多 Agent 协同：从一句话到可玩原型

当用户输入「生成一款坦克大战游戏」，AI 很快产出一段可运行的代码，但屏幕上出现的坦克炮管却挥向玩家「砸脸」。这并非 AI 故障，而是 AI 生成游戏领域长期存在的「可玩性黑洞」——代码能跑，并不等于游戏能玩。针对这一痛点，DarwinMind（杭州达迩文智能）推出多 Agent 游戏生成平台 Spellcaster，试图用专门的智能体分工协作，把「能运行的代码」升级为「能玩的游戏」。

为什么「代码能跑」不等于「游戏能玩」

过去一年，大模型已能快速产出贪吃蛇、平台跳跃、射击类游戏的代码，页面能打开、角色能移动看似一切正常。但实际体验中，跳跃极限可能高于平台高度，敌人虽有动画却没有攻击判定，障碍物刷新频率也可能叠成一条「必死路」。更棘手的是，局部修改往往会引发连锁反应：调整角色跳跃高度，系统却同时改变了重力与其他物体的运动轨迹；代码勉强完成后，素材又常常缺失或风格不一致。

这类问题比编译报错更难处理。代码报错可以定位到具体文件和行数，而「不好玩」往往同时涉及数值、地图、反馈和操作手感，必须把多种因素放回同一个运行过程里检查，才能定位真正的症结。

六 Agent 闭环：生成—运行—检查—修复

Spellcaster 的核心思路是先把用户描述拆解为游戏规则、角色能力、关卡目标、胜负条件、敌人行为与关键数值，再交由六个专用 Agent 协同处理：

• Rule Agent 负责规则，Level Agent 负责关卡，Asset Agent 负责素材；
• Playability Agent 与 Simulation Agent 检查关键路径是否可达、核心交互是否有效、是否存在必死局；
• 发现问题后，Repair Agent 定位问题归属（规则、数值、关卡、素材还是代码），并进行局部修复。

这套流程并不追求一次性生成结束，而是形成「生成—运行—检查—修复」的循环。用户拿到结果后仍可持续对话，调整角色速度、增加敌人、修改关卡或更换视觉风格，系统会按意图处理对应部分，不必每次从头生成。实测中，输入「生成一个星空背景的弹幕射击游戏」，约 15 分钟即可获得可试玩的原型，平台跳跃、塔防、跑酷、地牢肉鸽和弹幕射击等常见类型均已支持。

改变游戏原型的使用门槛

Spellcaster 的意义在于重新定义了原型的使用方式：独立开发者可先验证玩法是否值得继续投入，内容创作者可将互动故事或网络热梗快速变成可操作版本，普通用户则不必先掌握编程与游戏引擎。第一版不符合预期时，可以继续要求系统调整规则、难度与画面，而不是从一份陌生代码重新开始。

下一阶段：世界模型直接生成游戏画面

当前 Spellcaster 采用的实现路径仍是「AI 生成代码和美术素材，再由游戏引擎运行」。团队已经把下一阶段的方向指向世界模型：玩家的移动、攻击和选择将与当前画面、角色状态、交互历史共同作为模型输入，由模型实时预测世界接下来发生什么，并直接生成下一刻的画面与反馈，不再以传统代码与引擎渲染管线作为核心中间环节。这预示着 AI 游戏可能从「自动生成可运行项目」进一步走向「实时推演一个能响应玩家的世界」。

支撑这一技术跨越的是 DarwinMind 在智能体和世界模型方向的长期积累，核心成员来自浙江大学、南京大学和澳大利亚国立大学，其中多位联合创始人是来自浙江大学的博士生导师，长期从事世界模型、多模态大模型与智能体系统研究。