Resumen Técnico: CreativeGame

1. El Problema

La generación de contenido interactivo creativo (juegos) mediante Grandes Modelos de Lenguaje (LLM) enfrenta desafíos significativos que limitan su utilidad práctica:

• Fragilidad en tiempo de ejecución: La generación de un solo paso ("single-shot") a menudo produce código que falla al ejecutarse o tiene comportamientos erráticos.
• Falta de acumulación de experiencia: Los sistemas actuales no logran retener ni acumular aprendizajes entre diferentes versiones de un juego, tratando cada generación como un evento aislado.
• Señales de optimización subjetivas: Las puntuaciones de creatividad basadas puramente en la evaluación de un LLM son subjetivas, difíciles de validar y propensas a la saturación (todos los juegos reciben puntuaciones similares).
• Tratamiento de las mecánicas: Las mecánicas de juego suelen tratarse como descripciones a posteriori (post-hoc) en lugar de objetos explícitos que puedan planificarse, rastrearse y evaluarse durante el proceso de generación.

2. Metodología

CreativeGame es un sistema multi-agente diseñado para la generación iterativa de juegos HTML5. Su arquitectura se basa en cinco pilares fundamentales para abordar los problemas mencionados:

A. Arquitectura Multi-Agente y Flujo de Trabajo

El sistema descompone la generación en 7 agentes lógicos (que se ejecutan en 10 roles distintos, incluyendo sub-agentes para esqueleto, características, visuales y refinamiento).

• Bucle de Planificación Guiada por Mecánicas: Antes de generar código, un agente planificador recupera conocimientos de un archivo global de mecánicas y genera un plan de mecánicas explícito. Este plan define qué reglas se deben preservar, añadir o eliminar, actuando como una "contratación" antes de la codificación.
• Iteraciones Internas: Cada llamada de generación permite hasta 3 iteraciones (1 inicial + 2 de refinamiento) antes de guardar el nodo final en la línea de descendencia (lineage).

B. Memoria Consciente de la Línea de Descendencia (Lineage-Aware Memory)

A diferencia de los sistemas que usan una memoria global única o memoria aislada por tarea, CreativeGame implementa una memoria compartida dentro de una línea de descendencia:

• Todos los nodos (versiones) de un mismo árbol evolutivo comparten un archivo memory.json.
• Esto permite que la experiencia acumulada de versiones anteriores (éxitos y fracasos) informe la generación de versiones futuras dentro de la misma evolución, sin mezclar conceptos de líneas de descendencia diferentes.
• Se basa en principios de MemRL (Reinforcement Learning con Memoria Episódica).

C. Recompensa Proxy Creativa (CreativeProxyReward)

Para evitar la subjetividad del LLM, el sistema utiliza una función de recompensa compuesta por 7 señales ponderadas y 2 condiciones de bloqueo (gates):

• Señales Dominantes (Determinísticas): La mayoría del peso (65%) recae en señales programáticas: realización de mecánicas planificadas, cambio estructural de mecánicas, novedad relativa respecto a un archivo global y jugabilidad en tiempo de ejecución.
• Señal Auxiliar: La evaluación de creatividad del LLM tiene un peso bajo (15%) para evitar el "Goodhart's Law" (optimizar solo para que el modelo parezca creativo).
• Condiciones de Bloqueo (Gates):
  • Blanda: Reduce la recompensa si la "sanidad de jugabilidad" es baja.
  • Dura: Si el juego no pasa las pruebas de ejecución en tiempo real, la recompensa se reduce a la mitad (o se anula), impidiendo que juegos "bonitos pero rotos" sean seleccionados.

D. Validación en Tiempo de Ejecución

Se integra un validador de dos niveles en el bucle de generación:

1. Análisis Estático Profundo: Verifica sintaxis, bucles de juego, contexto de lienzo y listeners de entrada (<10 ms).
2. Ejecución en Navegador (Opcional): Ejecuta el juego en un navegador headless para detectar errores de consola y asegurar que el lienzo se dibuja correctamente.

• Si falla, se activa un agente de reparación antes de la evaluación final.

3. Contribuciones Clave

1. Formulación de Mecánicas como Objetos de Planificación: Las mecánicas no son solo etiquetas, sino estructuras de reglas locales explícitas ($m$) que se planifican y evalúan contra el núcleo del juego ($G_{core}$).
2. Recompensa Proxy Creativa: Un sistema de puntuación donde las señales deterministas (código y ejecución) dominan sobre el juicio subjetivo del LLM.
3. Arquitectura de Memoria por Línea de Descendencia: Permite la acumulación de experiencia evolutiva dentro de una rama específica, facilitando la mejora iterativa real.
4. Integración de Validación en el Bucle: La corrección de errores y la validación de ejecución son parte intrínseca del proceso de generación y recompensa, no pasos posteriores.
5. Implementación Completa y Analizable: Un sistema de 6,181 líneas de Python que permite el análisis arquitectónico y el estudio de casos de evolución real.

4. Resultados Empíricos

• Datos Generados: El sistema ha producido 71 líneas de descendencia (9 con múltiples nodos hasta profundidad 4) y 88 nodos guardados en total.
• Archivo de Mecánicas: Contiene 774 entradas de mecánicas globales.
• Fiabilidad: Tras implementar mecanismos de reintento y recuperación, la tasa de éxito del pipeline supera el 98%.
• Puntuaciones: La creatividad promedio es ~7.0/10 y la jugabilidad ~6.5/10 (basadas en el esquema actual del evaluador).
• Estudios de Caso (Evolución Real): El documento presenta 4 ejemplos de evolución de 4 versiones (Fireboy & Watergirl, Flappy Bird, Happy Glass, Plants vs. Zombies).
  • Hallazgo clave: Las versiones posteriores no solo mejoran la estética, sino que reinterpretan las mecánicas. Por ejemplo, en Flappy Bird, el sistema evoluciona de "esquivar obstáculos" a "escribir rutas futuras" donde los fallos anteriores crean ecos que ayudan en intentos posteriores. En Plants vs. Zombies, la defensa de carriles se transforma en una planificación de intercepción cargada.

5. Significado e Impacto

El trabajo demuestra que la creatividad en la generación de juegos puede abordarse como un problema de ingeniería inspeccionable.

• Cambio de Paradigma: Mueve el enfoque de la generación de "artefactos finales" a la evolución interpretable. Permite rastrear cómo cambian las reglas estructurales de un juego a lo largo del tiempo.
• Validez de la Evaluación: Al priorizar señales deterministas y ejecución real sobre la opinión del LLM, el sistema genera juegos que realmente funcionan y muestran cambios estructurales medibles.
• Reutilización de Conocimiento: La arquitectura de memoria por línea de descendencia ofrece un modelo viable para que los agentes de IA aprendan de sus propios errores y éxitos en contextos creativos complejos, superando la limitación de las generaciones aisladas.

En resumen, CreativeGame no solo genera código de juegos, sino que establece un pipeline robusto para observar y dirigir la evolución mecánica de diseños de juegos, demostrando que la innovación creativa puede ser planificada, rastreada y optimizada sistemáticamente.