CreativeGame:Toward Mechanic-Aware Creative Game Generation

Resumo Técnico: CreativeGame

1. O Problema

A geração de conteúdo criativo interativo (jogos) por Modelos de Linguagem de Grande Escala (LLMs) enfrenta desafios significativos quando se tenta ir além da geração única ("single-shot"):

• Comportamento Frágil: O código gerado frequentemente falha em tempo de execução (bugs, loops infinitos, falta de contexto).
• Acúmulo de Experiência Ineficaz: Não há um mecanismo robusto para acumular o que funcionou ou falhou entre diferentes versões de um jogo.
• Sinal de Otimização Subjetivo: As pontuações de criatividade baseadas puramente em julgamentos de LLMs são subjetivas, saturadas (tendem a notas médias) e sujeitas à "Lei de Goodhart" (otimizar para parecer criativo sem ser mecanicamente novo).
• Tratamento de Mecânicas: As mecânicas de jogo são tratadas apenas como descrições post-hoc (após a geração), em vez de objetos explícitos que podem ser planejados, rastreados e avaliados durante o processo de geração.

2. Metodologia e Arquitetura do Sistema

O CreativeGame é um sistema multiagente projetado para a geração iterativa de jogos HTML5, focado na evolução estrutural das regras do jogo. O sistema opera através de quatro ideias acopladas:

• Arquitetura Multiagente (7 Lógicos / 10 Executáveis):
  O fluxo de trabalho é dividido em etapas lógicas: Planejamento, Geração (esqueleto, recursos, visual, refinamento), Validação, Avaliação e Reflexão. Cada agente tem prompts e orçamentos de tokens específicos.
• Planejamento Guiado por Mecânicas (Mechanic-Guided Planning):
  Antes da geração de código, um agente "Planejador" recupera conhecimento de um arquivo global de mecânicas e emite um plano de mecânicas explícito. Este plano define quais regras devem ser preservadas, adicionadas, removidas ou recombinadas, servindo como um contrato para a geração de código subsequente.
• Memória Consciente de Linhagem (Lineage-Aware Memory):
  Em vez de uma memória global única ou memória isolada por nó, o sistema utiliza uma memória compartilhada dentro de uma "linhagem" (árvore de versões de um jogo). Isso permite que a experiência (sucessos e falhas) se acumule entre as versões (v1, v2, v3) de um mesmo projeto, enquanto mantém o isolamento entre diferentes linhagens.
• Validação em Tempo de Execução (Runtime Validator):
  Um validador de duas camadas atua antes da avaliação final:
  1. Analisador Estático Profundo: Verifica sintaxe, chamadas de loop de jogo, contexto de canvas e listeners de entrada (<10ms).
  2. Verificação de Execução no Navegador: (Opcional) Executa o jogo em um navegador headless para detectar erros de console e garantir que o canvas seja pintado.
     Se a validação falhar, um estágio de reparo é acionado.

3. A Recompensa Proxy Criativa (CreativeProxyReward)

Para superar a subjetividade dos LLMs, o sistema introduz uma função de recompensa híbrida onde a maior parte do sinal é determinística (Python-side):

• Fórmula: A recompensa é uma soma ponderada de 7 sinais, com 65% do peso positivo vindo de sinais baseados em mecânicas e execução:
  • Realização de Mecânica (20%)
  • Mudança Mecânica Estrutural (25%)
  • Novidade Relativa de Mecânica (20%)
  • Jogabilidade em Tempo de Execução (10%)
  • Sinal Auxiliar: Criatividade do LLM (15% - limitado para evitar viés).
  • Penalidades: Apenas cosmético (-15%) e Regressão (-10%).
• Portões (Gates):
  • Portão Duro: Se o teste de execução falhar, a recompensa é multiplicada por 0.5.
  • Portão Suave: Se a sanidade de jogabilidade for baixa, a recompensa é multiplicada por 0.25.

4. Principais Contribuições

1. Formulação de Geração Iterativa: Trata mecânicas como objetos de planejamento e avaliação explícitos, não apenas como descrições retrospectivas.
2. Recompensa Baseada em Sinais Determinísticos: Reduz a dependência do julgamento do LLM, focando em mudanças estruturais na lógica do jogo ($G_{core}$) e na robustez de execução.
3. Memória de Linhagem: Permite o acúmulo de experiência evolutiva entre versões de um mesmo jogo, facilitando a análise de evolução passo a passo.
4. Integração de Validação de Execução: Incorpora a correção de bugs e a verificação de execução como parte intrínseca do ciclo de recompensa e geração.
5. Implementação Completa e Analisável: Um pipeline Python de 6.181 linhas com 71 linhagens armazenadas e 88 nós salvos, permitindo estudos de caso reais de evolução de mecânicas.

5. Resultados e Estudos de Caso

O sistema foi testado em quatro linhagens reais de 4 gerações cada, demonstrando evolução mecânica significativa:

• Fireboy and Watergirl: Evoluiu de um puzzle de plataforma de dois personagens para um sistema de "relé de memória", onde corpos parados e fantasmas de replay interagem com a gravidade.
• Flappy Bird: Transformou-se de evitar obstáculos para "escrita de rotas", onde passagens perfeitas reescrevem o futuro do nível e ecos de morte ajudam corridas subsequentes.
• Happy Glass: Passou de um puzzle de desenho físico para uma "linguagem de física programável", onde traços armazenam gotas e alteram a gravidade.
• Plants vs. Zombies: Mudou de defesa estática de faixas para "interceptação carregada", onde bloquear tiros aliados armazena energia para ataques de refração.

Estatísticas do Sistema:

• Taxa de Sucesso: >98% após mecanismos de retry e fallback.
• Dados Gerados: 774 entradas no arquivo global de mecânicas; mais de 4,5 milhões de tokens registrados.
• Evolução: As versões finais (v4) mostraram uma reinterpretação clara das mecânicas originais, focando em estrutura causal oculta em vez de apenas polimento visual.

6. Significado e Conclusão

O CreativeGame demonstra que a criatividade na geração de jogos pode ser abordada como um problema de engenharia inspecionável. Ao tratar mecânicas como variáveis de controle explícitas e usar sinais de recompensa baseados em execução real, o sistema consegue:

• Planejar mudanças estruturais intencionais.
• Evitar a estagnação em clones genéricos.
• Permitir a observação direta da evolução de um jogo através de registros de mudança de regras.

O trabalho sugere um novo paradigma onde a criatividade não é apenas uma impressão subjetiva final, mas um processo de otimização estrutural mensurável e iterativo, capaz de gerar jogos com mecânicas complexas e evolutivas que superam a capacidade de geração única de LLMs.