6个Agent组团协作：Spellcaster让AI游戏生成从“能跑”到“能玩”

事件概述

AI生成游戏常面临一个隐性难题：代码能运行，不等于游戏能玩。例如让AI生成一款坦克大战游戏，代码很快跑通，敌方坦克也出现在屏幕上，但靠近后坦克不会开炮，而是挥舞炮管近身攻击。移动、碰撞、攻击和伤害判定均正常，却意外形成了一套自洽的新玩法。

这类问题被称为“可玩性黑洞”——每个局部看起来正常，组合起来却无法形成完整的可玩体验。编译报错可以定位到具体行数，而“不好玩”可能同时涉及数值、地图、反馈和玩家操作，只有放回同一运行过程中检查才能发现问题。

核心信息

Spellcaster将用户描述整理为游戏规则、角色能力、关卡目标、胜负条件、敌人行为等关键设定，再由多个专用Agent协同处理：

• Rule Agent：负责游戏规则
• Level Agent：负责关卡设计
• Asset Agent：负责素材生成
• 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
• 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

整个流程形成“生成—运行—检查—修复”的循环，不追求一次生成结束。用户可在拿到结果后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，系统只处理对应部分，无需从头生成。

创作过程分为四步：先把想法变成可运行游戏，再通过对话迭代玩法与数值，结合运行结果修复问题，最后完成素材匹配和视觉装配。输入“生成一个星空背景的弹幕射击游戏”，约15分钟后即可获得可试玩原型。目前平台跳跃、塔防、跑酷、地牢肉鸽和弹幕射击等常见类型均支持生成与继续修改。

值得关注

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，其中多位联合创始人为浙江大学博士生导师，研究领域包括世界模型、多模态大模型和智能体系统。

当前Spellcaster仍采用“AI生成代码和美术素材，再由游戏引擎运行”的路径。团队已将下一阶段方向指向世界模型：玩家的移动、攻击和选择将与当前画面、角色状态、交互历史一起作为模型输入，由模型实时预测并直接生成下一刻的画面与反馈，不再以传统代码和引擎渲染管线作为核心中间环节。