Spellcaster：用六个智能体把 AI 游戏做成「可玩的」

AI 写代码生成游戏这件事，从 2025 年起已经不再稀奇。输入一句「做一个横版跳跃游戏」，通用代码智能体很快就能交出角色移动、碰撞检测、计分与胜负条件，页面能开、角色能动，看起来一个游戏已经诞生。但真正玩上几分钟，问题才开始出现——平台高于跳跃极限、怪物有动画却没有攻击判定、障碍物的速度与刷新频率叠成一条「必死路」。更棘手的是，这些问题往往不会让代码报错：程序在跑，游戏却立不住。36 氪近日报道的 AI 游戏生成工具 Spellcaster，正是冲着这个「可玩性黑洞」而来。

「代码能跑」为什么还不够

当前许多 AI 游戏生成工具，本质上仍在做「自然语言到代码」的单步翻译——语法正确、依赖完整、页面能够启动，任务就接近完成。但游戏不是一张静态页面，而是一套持续响应玩家行为的交互系统：跳跃能否落上平台，取决于速度、重力、跳跃高度和平台间距；战斗是否公平，取决于敌我血量、攻击频率、弹道速度、场景空间和玩家反应时间。没有一个孤立参数能够决定结果，AI 要生成真正可玩的游戏，就必须理解这些约束如何相互作用，并在运行中验证自己的判断。

Spellcaster 的差异：交付「可继续玩的原型」

普通代码智能体关心的是「代码有没有完成要求」，Spellcaster 关心的是「玩家能不能把这局游戏玩下去」。两者对「完成」的定义不同——页面成功启动，对代码 Agent 而言可能已经接近交付，但在 Spellcaster 中，平台是否跳得上去、敌人能否造成伤害、地图有没有必死路，都仍需继续检查。发现问题后，系统会判断问题出在规则、关卡、素材、数值还是实现环节，再回到对应位置修改。一个交付代码，一个交付可以继续试玩和迭代的游戏原型——这是两条路线最核心的差别。

在一次坦克游戏原型测试中，最初的要求是「做一款足够爽的坦克大战，普通炮弹不够，我希望坦克能够发射核弹」。Spellcaster 先生成坦克移动、敌人、地图和攻击规则，再把核弹效果加入现有战斗，约 15 分钟后，第一个可以操作的版本已经能够开火和结算伤害。随后测试者又提出「地图每局随机生成」「被摧毁的墙隔一段时间自动恢复」等要求，原型继续沿同一想法迭代。这一版本并非可商业发行的成品，却已经回答了原型阶段最重要的问题：核弹加入坦克大战以后，到底是真的爽，还是只在描述里听起来很爽。

六个智能体组成「创作—验证—修复」闭环

为了让一段自然语言真正变成游戏，Spellcaster 把制作过程拆给六个分工不同的智能体，它们沿着「先创造、再试玩、后修复」的顺序协作：

• Rule Agent：把想法变成可执行的规则，例如将「坦克发射核弹」落实为攻击方式、伤害范围、冷却时间和胜负条件。
• Level Agent：把规则放进具体关卡，安排地图、敌人、障碍和通关路径。
• Asset Agent：处理角色、场景、特效和界面等视觉内容。
• Playability Agent：游戏启动后检查核心路径能否走通，例如角色能否到达终点、玩家是否会落入必败局面。
• Simulation Agent：通过模拟运行观察难度、数值和反馈是否合理。
• Repair Agent：读取检查结果，判断应该修改规则、关卡、素材还是实现代码，再把任务送回对应环节。

六个智能体组成的并非「生成完就结束」的流水线，而是能反复试玩、定位与修改的闭环。报道还提到，一次坦克游戏生成中，AI 没有让坦克按常规发射炮弹，而是挥动炮管近身肉搏——这套偏离常规但通过验证的攻击机制被作为新玩法保留了下来。

下一站：世界模型与「生成世界」

现阶段 Spellcaster 先把创作者的想法转化为代码和美术素材，再交给游戏引擎运行。团队下一阶段要推进的世界模型路线，则希望跨过这层传统生产链——模型理解眼前的画面、角色关系和玩家刚刚做出的选择，并直接生成游戏的下一幕。届时创作者需要描述的可能不再是每一条规则、每一个关卡，而是「我想创造一个怎样的世界」，至于这个世界如何持续回应玩家，将由世界模型在互动过程中实时生成。

Spellcaster 背后的 DarwinMind（杭州达迩文智能）长期布局多智能体系统与世界模型方向，核心成员来自浙江大学、南京大学和澳大利亚国立大学，联合创始人中包括多位浙江大学博士生导师，长期从事世界模型、多模态大模型和智能体系统研究。