Spellcaster发布多智能体游戏生成平台，可对话迭代玩法
Spellcaster 用多个智能体协同生成可玩游戏原型，并支持对话式迭代，为解决 AI 游戏“不好玩”的问题提供了新路径。
AI 生成游戏常止步于“代码能运行”，却缺乏可玩性。Spellcaster 将用户描述拆解为规则、角色、关卡等要素，交由多个专用 AI Agent 协作生成可运行原型，并支持通过对话调整速度、敌人和视觉风格。其目标是让独立开发者和普通用户快速验证玩法，无需编程基础。
正文摘录
敌方坦克出现在屏幕上，炮管锁定玩家，战斗看似已经开始。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。 第一眼看上去，这像是一次典型的 AI 抽风。继续玩下去却会发现，移动、碰撞、攻击和伤害判定都能正常工作。 这也是 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。 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”。 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。 它比编译报错更难处理。代码报错通常能定位到具体文件和行数，但游戏“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。 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，或者更换视觉风格。 整个创作过程可以概括成四步：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。 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。 独立开发者可以先验证一个玩法值不值得继续投入，内容创作者可以把互动故事或网络热梗变成可操作的版本，普通用户则不必先掌握编程和游戏引擎。 第一版不符合预期时，还可以继续要求系统调整规则、难度和画面，而不是从一份陌生代码重新开始。 回到文章开头那个例子，在只关注代码的流程里，它很容易被当成错误删除；在可玩性验证之后，它也可能被识别为一条逻辑自洽的玩法路径。 对游戏原型来说，价值有时不仅来自准确复现，也来自那些没有被提前设计、但确实可以玩的意外。