从 AI 短剧到网友二创，这个梗在三个月内被爆改出数千个版本，相关话题播放量超过 50 亿次。但现在，它不只停留在视频里了——有人把它做成了一款可以玩的游戏。

做出这款游戏的，是一个叫 Spellcaster 的 AI 游戏生成智能体平台。

这个游戏有几十个支线，根据用户不同的选择走向不同的结局。这件事有意思的地方不在于"雪山救狐狸"又多了一个游戏版本，而在于它说明了一件事：AI 生成内容正在从"能看"走向"能玩"，是交互深度的再一次跃迁。

 

AI 生成游戏，究竟卡在哪里

在此之前，"AI 生成游戏"并不是一个新鲜话题。

Codex、Cursor、Trae 这类代码生成工具，甚至是 GPT、Fable 5 大模型本身，已经能根据自然语言写出一段可以运行的贪吃蛇或平台跳跃游戏。但真正用过的人都清楚，使用这些工具生成游戏时，大多会卡在三个地方：

• 生成的代码能跑，但平台高度超出角色跳跃极限，根本上不去；

而 Spellcaster 生成的游戏没有卡点，可以顺利通关：

• 运行时崩溃，把报错丢回给 AI，修完这个又坏三个；
• 美术素材要么是系统图形库画的矩形圆圈，要么是多个风格完全打架的 AI 生图拼在一起；

图 1 肉鸽类地牢游戏：通用代码智能体的生成结果

而 Spellcaster 则可以生成风格一致、符合要求的游戏素材：

图 2 肉鸽类地牢游戏：Spellcaster 的生成结果

这些通用智能体的问题不是传统意义上的"代码错误"，而是更复杂的可玩性错误——代码、规则、数值、地图、素材、玩家行为没有作为一个整体被考虑进去。

这正是 Spellcaster 想解决的问题。

 

多智能体架构：从"生成代码"到"生成游戏系统"

Spellcaster 的核心思路，是把游戏生成从"自然语言转为代码"的单步翻译，变成一套多智能体协同的生成-验证-修复闭环。

用户输入想法后，系统不会直接生成代码，而是先将自然语言解析成结构化的游戏设计中间层，包含核心玩法、角色能力、关卡目标、胜负条件、敌人行为、道具机制和关键数值约束。

在此基础上，Rule Agent 负责生成规则，Level Agent 负责生成关卡，Asset Agent 负责调度和生成素材，权衡素材的美观性和协调性。Playability Agent 和 Simulation Agent 则对生成结果进行可玩性验证——检查关键路径是否可达、难度曲线是否合理、是否存在必死局。

一旦发现问题，Repair Agent 不会直接重写代码，而是先判断错误属于哪一层（规则冲突、数值不自洽、关卡不可达还是代码实现错误），再回到对应环节进行局部修复。

这套"生成—运行—观察—评估—修复"的闭环，让 Spellcaster 关注的不是"代码能不能跑"，而是"游戏作为一个交互系统能不能成立"。

从用户输入想法，到拿到完整可玩的游戏原型，平均耗时约十五分钟。目前已在横版跳跃、塔防、跑酷、地牢肉鸽等品类上完成验证。

 

下一步：世界模型直接生成游戏画面

从公开规划来看，Spellcaster 的当前形态还不是终点。

现阶段的实现路径是：AI 生成代码和美术素材，通过游戏引擎运行——代码仍然是中间层。团队明确的下一代方向，是基于世界模型直接输出游戏画面，绕过传统代码和引擎渲染管线。

如果一个模型能够直接学习和预测交互世界中的状态转移，玩家的每一次操作就不再需要被代码解释成状态变化，而是由模型内部的世界表征直接预测下一刻的画面和反馈。这一方向与谷歌的 GameNGen 的研究路径一致，但目标是工程化落地，而非学术验证。

支撑这条技术路线的，是团队在智能体和世界模型方向的长期积累。Spellcaster 背后的 DarwinMind（杭州达迩文智能）长期布局多智能体系统与世界模型方向，核心成员来自浙江大学、南京大学、澳洲国立大学，联合创始人包括浙大博士生导师，长期从事世界模型、多模态大模型和智能体系统研究。

目前 Spellcaster 处于内测阶段，面向游戏开发者和内容创作者开放申请，并且官网也展示了部分由 Spellcaster 生成的游戏作品，其中包括"雪山救狐狸"的游戏版本。内测阶段开放的是核心自然语言生成游戏能力，后续版本将加入社区分享、数值调整、音效生成等功能。

内测申请：https://www.spellcaster.world/releaseplan