VibeGame: Prompt-to-Game Development with AI-Native Engine and Self-Evolving Adversarial Agent Team

VibeGame 将 AI 原生 2D 游戏引擎与八智能体对抗团队及免训练经验蒸馏相结合，将自然语言提示转化为可玩的游戏项目。

构建可玩游戏需要协调代码、场景、资产、动画、物理和配置，并通过交互测试验证集成行为。世界模型可以生成交互体验，但不产生可编辑的源代码；将 LLM 集成到商业引擎中会使项目状态分散在图形界面和二进制资产中，Agent 无法一致地检查或修改。许多游戏问题只在游玩过程中出现，而修复一个项目工件可能引入跨相互依赖工件的不一致。现有 Agent 系统通常将运行时检查留到最终评估，或仅将其限制为验证游戏能否构建和运行。

VibeGame 基于 Phaser 构建，将每个游戏表示为场景，其配置存储在类型检查的 JSON 中，并具有场景-节点-资产层级和 schema 验证，可在执行前检测无效引用。该引擎提供帧同步的运行时控制，使 Agent 可以暂停和恢复、推进帧、检查或修改运行时属性、注入语义动作并截取屏幕截图；引擎的未编译源代码被复制到项目目录中。八角色的 Adversarial Agent Team 将实现与审查分离，并将开发组织为意图对齐、并行开发和对抗式修正，由编排器协调。代码子任务经过架构师、程序员、审计员和玩家角色，只有在静态审计和运行时试玩测试之后才算完成。验收后，免训练的自进化机制将项目蒸馏为可复用的骨架、模块和协作契约，供未来运行使用。评估涵盖在提供资产库下的 prompt-assets-to-game，以及在 GameCraft-Bench 子集上使用自生成美术的 prompt-to-game。

• 在带有 GPT-6.1-Sol 的 GameCraft-Bench 子集上，VibeGame 在 P2G 中取得所列 harness 中最高的总体得分，高于 P2G 中的 Codex。 §3.1
• 使用 GPT-5.6-Luna 时，VibeGame 在 P2G 中的总体得分高于 P2G 中的 Qwen Code 和 PA2G 中的 DSH。 §3.1
• 在消融研究中，移除 AI 原生引擎使总体得分从 53.45 降至 43.12，移除 Adversarial Agent Team 使其降至 48.82；加入进化经验后使其升至 56.37。 §4.2
• 在 GPT-5.5 评审模型下，使用 GPT-6.1-Sol 的 VibeGame 总体达到 78.57，高于 P2G 中 Codex 的 77.44；使用 GPT-5.6-Luna 的 VibeGame 总体达到 55.65。 §6
• 将 VibeGame 的 AI 原生引擎配备到原生 Codex harness 后，其总体得分从 64.44 提升到 67.13，并在四个评分维度上均有提升。 §12
• 使用 GPT-6.1-Sol 的 VibeGame 比最强基线 P2G 中的 Codex 高 4.19 分。 §5

• 论文指出其聚焦于 2D 游戏，尚未在更复杂的 3D 场景中验证该框架，也未用于开发能维持长期游玩的完整商业游戏。
• 论文指出其 AI 原生设计原则是在基于 Web 的 2D 引擎上实现的；将这些原则引入 Godot 等成熟引擎，并允许 Agent 操作现有游戏项目，仍属未来工作。
• 论文报告称，当 VibeGame 持续开发不同类型游戏时，自进化积累的经验反而可能降低 Agent 性能。
• 论文报告称，切换评审模型会改变绝对分数和排名，且 GPT-5.5 作为评审模型存在严重判断缺陷，因此评估依赖评审模型的选择。

• 论文将游戏引擎定义为 AI 原生需满足：不依赖 GUI、运行时可访问、源码可用，从而消除编码 Agent 的障碍。 §3.1
• 每个游戏表示为具有类型检查 JSON 配置和节点层级的场景；共享节点是独立定义文件，schema 验证可在执行前检测缺失资产。 §3.1
• 帧同步接口让 Agent 可以暂停和恢复执行、推进指定帧数、检查或修改位置和速度等运行时属性、注入语义动作并截取屏幕截图。 §3.1
• Adversarial Agent Team 有八个角色：编排器、设计师、美术师、架构师、程序员、审计员、玩家和审查员；编排器在意图对齐、并行开发和对抗式修正过程中维护开发状态。 §3.2
• 代码子任务只有在通过使用引擎一致性检查工具的静态审计以及使用视觉模型的运行时试玩测试后才算完成。 §3.2.2
• 独立审查员作为功能、视觉质量和可玩性的最终质量关口；如果项目未通过任何一项标准，审查员会拒绝并给出原因，编排器将这些原因转化为修复任务。 §3.2.3
• 自进化将已验收项目蒸馏为骨架、模块和契约；骨架包括错误说明和美术包，模块可包含自检查逻辑，契约将通用工作流适配到重复出现的功能。 §3.3
• 测试集有来自 GameCraft-Bench 的 30 个任务，15 种游戏类型每种两个；消融集是 10 个任务的子集。 §7