Автономные ИИ-агенты в разработке игр: как устроена инженерия проекта Spawn

Создание многопользовательской игры Spawn с помощью автономных ИИ-агентов показывает, к чему приводит максимальное внедрение языковых моделей в процесс производства программного обеспечения. Проект представляет собой онлайн-вселенную, в которой участники трансформируют виртуальное пространство с помощью текстовых команд. При этом вся техническая инфраструктура и логика игры создаются и поддерживаются роем независимых нейросетевых агентов без прямого ручного кодинга со стороны разработчиков.

В материале исследователя Саймона Уиллисона разбирается практический опыт руководителя проекта Джейкоба Сэнсбери (Jacob Sansbury), построившего процесс разработки вокруг непрерывной генерации кода, автономной обработки ошибок и ежечасовых релизов в продакшен.

Концепция игрового мира Spawn и агент Savi

В основе платформы Spawn лежит идея мгновенной трансформации виртуального окружения по запросу игрока. За взаимодействия с пользователем внутри игры отвечает специализированный ИИ-помощник по имени Savi. Игроку достаточно отправить текстовое описание желаемого объекта или события, чтобы система сгенерировала соответствующую геометрию, механики и поведение элементов в реальном времени.

При тестировании системы с мобильного устройства удается за несколько минут сгенерировать трехмерный замок, призвать дракона и реализовать механику верховой езды на нем над только что созданными постройками. Все подобные изменения мгновенно становятся частью единого многопользовательского пространства, доступного другим участникам.

Масштаб инфраструктуры и затраты на токены

Ключевой особенностью проекта Spawn выступает структура его разработки. Игра создается автономным роем ИИ-агентов, работающих на базе языковых моделей семейства Fable. По заявлениям разработчиков, ежемесячные расходы компании на токены нейросетей превышают 3 миллиона долларов, что в 30 раз превосходит статьи расходов на выплату заработной платы традиционному штату сотрудников.

Автономные ИИ-агенты в разработке игр этого проекта самостоятельно считывают метрики, логи серверов и отчеты о сбоях. Около 60% всех рабочих задач формируются автоматически на основе следующих каналов данных:

• ошибок в продакшен-среде и аномальных записей в системных журналах;
• отчетов о багах, генерируемых агентом Savi при столкновении с проблемой в коде;
• запросов на добавление новых функций, поступающих от пользователей через игровой чат.

Автоматическое устранение сбоев и деплой кода

Процесс обработки ошибок в Spawn полностью исключает традиционную цепочку создания тикетов людьми. Когда игрок или сам агент Savi сталкивается с нештатной ситуацией в продукте, Savi автоматически формирует отчет о баге и передает его дальше по конвейеру.

Созданный отчет сразу перенаправляется ИИ-агенту, специализирующемуся на исправлении кода. Нейросеть самостоятельно принимает решение по одной из трех категорий:

• квалифицировать событие как подтвержденный баг и внести изменения в код;
• пометить проблему как не подлежащую исправлению;
• определить сбой как намеренную особенность дизайна, требующую административного решения.

В случае подтверждения ошибки исправление вносится в основной код и разворачивается на боевых серверах в течение часа, после чего игрок получает уведомление прямо в чате взаимодействия с Savi.

Непрерывный цикл разработки и защита от потери контекста

Команда Spawn использует критический подход к непрерывной интеграции и доставке кода (CI/CD). Если за один час на продакшен-серверы не выходит ни одного обновления, проект фиксирует инцидент наивысшего уровня критичности — SEV-0.

Такой жесткий регламент объясняется спецификой работы современных нейросетевых моделей. ИИ-агенты способны эффективно удерживать контекст задачи и цепочку архитектурных решений только на протяжении нескольких часов работы. Накопление неотправленных изменений быстро приводит к рассогласованию архитектуры, а задержка релиза увеличивает время жизни багов в боевой среде и замедляет получение обратной связи.

Для поддержки высокой скорости развертывания в системе предусмотрен механизм локального отката. В случае обнаружения критической ошибки система позволяет откатить сбойное изменение за 30 секунд именно в той части кода, где возникла проблема, не затрагивая остальные компоненты. Для проверки надежности этих процессов ИИ-агенты регулярно провоцируют управляемые сбои в тестовом окружении.

Выбор языковых моделей и логика работы с безопасностью

Переход к полной автономии разработки стал возможен только после выхода моделей семейства Fable 5 и Fable 5.1. Попытка использовать альтернативные решения, включая Opus 5.5, не обеспечила необходимого уровня стабильности при генерации кода для данной системы.

Поучительный прецедент произошел при попытке применить модель GPT-6 Astra для проведения аудита безопасности. Получив задачу устранить уязвимости, выявленные в ходе проверки кода, Astra полностью заблокировала функциональность продукта. Модель отключила все модули игры и поставила метки на их повторное включение только после исправления всех потенциальных рисков, посчитав наилучшим способом обеспечения безопасности полное отключение функций.

Геймдев как тестовый полигон для автокодинга

Практический опыт создания Spawn демонстрирует, что разработка видеоигр выступает оптимальной средой для тестирования пределов возможностей автономных агентов. В отличие от финансового сектора или критической инфраструктуры, где сбои приносят серьезный ущерб, игровые пространства допускают высокую частоту ошибок и быстрые эксперименты с архитектурой без фатальных последствий.