核心观点 - AI生成游戏的核心挑战并非代码能否运行，而是能否形成可玩的交互系统，存在“可玩性黑洞”[5][6][10] - Spellcaster通过多Agent协同与“生成-运行-检查-修复”闭环，将一句话转化为可玩原型，并支持持续迭代[15][16][19] - 下一阶段方向是采用世界模型，直接生成游戏画面与反馈，绕过传统代码与引擎中间层[29][30] AI游戏生成现状与挑战 - 大模型已能生成贪吃蛇、平台跳跃和射击游戏，但页面能打开不等于玩家能完成一局游戏[5][6] - 常见问题包括平台高于跳跃极限、敌人有动画无攻击判定、障碍物刷新形成“必死路”[7] - 局部修改可能引发连锁反应，如调整跳跃高度会同时改变重力和其他物体轨迹[8][9] - 代码报错可定位到具体行数，但游戏“不好玩”涉及数值、地图、反馈和玩家操作等多维度问题[10] Spellcaster产品与技术架构 - 产品定位为从一句话到可玩原型的创作工具，支持平台跳跃、塔防、跑酷、地牢肉鸽和弹幕射击等类型[19][21] - 输入“生成一个星空背景的弹幕射击游戏”，约15分钟后可拿到可玩原型[20] - 采用多Agent协同架构：Rule Agent负责规则，Level Agent负责关卡，Asset Agent负责素材[26] - Playability Agent和Simulation Agent检查关键路径可达性、核心交互有效性及必死局[26] - Repair Agent定位问题属于规则、数值、关卡、素材还是代码，并进行局部修复[26] - 生成流程形成“生成—运行—检查—修复”循环，不追求一次完成[16] - 用户可继续对话调整角色速度、增加敌人、修改关卡或更换视觉风格[17] - 系统根据修改意图处理对应部分，不必每次都从头生成[18] 产品价值与应用场景 - 独立开发者可先验证玩法是否值得继续投入[23] - 内容创作者可将互动故事或网络热梗变成可操作版本[23] - 普通用户无需掌握编程和游戏引擎即可创作[23] - 第一版不符合预期时，可要求系统调整规则、难度和画面，而非从陌生代码重新开始[24] - 游戏原型价值有时来自未被提前设计但确实可玩的意外，而非仅准确复现[25] 技术演进方向 - 当前路径为“AI生成代码和美术素材，再由游戏引擎运行”[27] - AI改变了游戏生产方式，但代码仍是连接创意与最终画面的中间层[28] - 下一阶段指向世界模型：玩家移动、攻击和选择与当前画面、角色状态、交互历史一起成为模型输入[29] - 模型实时预测世界接下来会发生什么，直接生成下一刻画面与反馈，不再以传统代码和引擎渲染管线为核心中间环节[29] - AI游戏将从“自动生成可运行项目”走向“实时推演能够响应玩家的世界”[30] 团队背景 - Spellcaster背后的公司为DarwinMind（杭州达迩文智能）[31] - 长期布局多智能体系统与世界模型方向[31] - 核心成员来自浙江大学、南京大学和澳大利亚国立大学[31] - 联合创始人中多位是来自浙江大学的博士生导师，长期从事世界模型、多模态大模型和智能体系统研究[31]