6个Agent组团做游戏：Spellcaster自己生成、试玩、修Bug

给AI一句“生成一款坦克大战游戏”，代码很快跑了起来，敌方坦克也出现在屏幕上——但靠近敌人后，坦克没有发射炮弹，反而挥起炮管开始近身攻击。这个例子来自量子位对DarwinMind旗下游戏生成系统Spellcaster的报道：第一眼像是一次典型的AI抽风，继续玩下去却发现移动、碰撞、攻击和伤害判定都能正常工作，偏离常见设计却意外形成了一套可以成立的新玩法。

这正是AI生成游戏最容易被忽略的问题：代码能运行，只是第一步；真正困难的是让游戏成为一个能够持续交互的系统。过去一年，大模型已经生成了大量贪吃蛇、平台跳跃和射击游戏，但页面能打开、角色能移动，并不等于玩家能够完成一局游戏——平台可能高于跳跃极限，敌人有动画却没有攻击判定，障碍物的刷新频率也可能叠成一条无法通过的“必死路”。

修改同样可能带来连锁反应：用户只想把角色跳跃调高一点，系统却同时改变重力和其他物体的运动轨迹；代码勉强完成后，素材又可能缺失或风格不一致。每个局部看起来都对，组合起来却不能玩，这就是AI游戏生成中的“可玩性黑洞”，它比编译报错更难处理——游戏“不好玩”可能同时涉及数值、地图、反馈和玩家操作。

Spellcaster的做法，是先把用户描述整理成游戏规则、角色能力、关卡目标、胜负条件、敌人行为和关键数值，再交给多个专用Agent协同处理。这套流程并不追求一次生成就结束，而是形成“生成—运行—检查—修复”的循环，用户拿到结果后仍可以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。

整个创作过程可以概括为四步：先把想法变成能够运行的游戏，再通过对话迭代玩法和数值，接着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”，大约15分钟后便能拿到可以试玩的原型；目前平台跳跃、塔防、跑酷、地牢肉鸽和弹幕射击等常见类型都可以通过这套流程生成并继续修改。

Spellcaster背后是长期布局多智能体系统与世界模型方向的DarwinMind（杭州达迩文智能），核心成员来自浙江大学、南京大学和澳大利亚国立大学，联合创始人中多位是浙江大学的博士生导师。团队表示，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、交互历史一起成为模型输入，由模型实时预测世界接下来会发生什么并直接生成下一刻的画面与反馈，不再以传统代码和引擎渲染管线作为核心中间环节。

这意味着，AI游戏将从“自动生成一个可以运行的项目”，进一步走向“实时推演一个能够响应玩家的世界”。对独立开发者、内容创作者和普通用户来说，验证玩法、把互动故事或网络热梗变成可操作版本的门槛，都可能因此大幅降低。