JuegoCreativo: Hacia la Generación de Juegos Creativos Conscientes de la Mecánica

CreativeGame:Toward Mechanic-Aware Creative Game Generation

April 21, 2026

Autores: Hongnan Ma, Han Wang, Shenglin Wang, Tieyue Yin, Yiwei Shi, Yucong Huang, Yingtian Zou, Muning Wen, Mengyue Yang

cs.AI

Resumen

Los modelos de lenguaje grandes pueden generar código de juego plausible, pero convertir esta capacidad en una mejora creativa iterativa sigue siendo difícil. En la práctica, la generación en un solo paso a menudo produce un comportamiento en tiempo de ejecución frágil, una débil acumulación de experiencia entre versiones y puntuaciones de creatividad demasiado subjetivas para servir como señales de optimización confiables. Otra limitación es que las mecánicas de juego frecuentemente se tratan solo como descripciones *a posteriori*, en lugar de como objetos explícitos que pueden planificarse, rastrearse, preservarse y evaluarse durante la generación. Este informe presenta CreativeGame, un sistema multiagente para la generación iterativa de juegos HTML5 que aborda estos problemas mediante cuatro ideas acopladas: una recompensa proxy centrada en señales programáticas en lugar del juicio puro de un LLM; una memoria con alcance de linaje para la acumulación de experiencia entre versiones; una validación en tiempo de ejecución integrada tanto en la reparación como en la recompensa; y un bucle de planificación guiado por mecánicas, en el que el conocimiento de mecánicas recuperado se convierte en un plan de mecánicas explícito antes de que comience la generación de código. El objetivo no es meramente producir un artefacto jugable en un solo paso, sino apoyar una evolución interpretable de versión a versión. El sistema actual contiene 71 linajes almacenados, 88 nodos guardados y un archivo global de mecánicas con 774 entradas, implementado en 6.181 líneas de código Python junto con herramientas de inspección y visualización. Por lo tanto, el sistema es lo suficientemente sustancial como para admitir análisis arquitectónico, inspección de recompensas y estudios de casos reales a nivel de linaje, y no solo demostraciones a nivel de *prompt*. Un linaje real de 4 generaciones muestra que la innovación a nivel de mecánicas puede surgir en versiones posteriores y puede inspeccionarse directamente a través de registros de versión a versión. La contribución central, por tanto, no es solo la generación de juegos, sino una canalización concreta para observar la evolución progresiva a través del cambio explícito de mecánicas.

English

Large language models can generate plausible game code, but turning this capability into iterative creative improvement remains difficult. In practice, single-shot generation often produces brittle runtime behavior, weak accumulation of experience across versions, and creativity scores that are too subjective to serve as reliable optimization signals. A further limitation is that mechanics are frequently treated only as post-hoc descriptions, rather than as explicit objects that can be planned, tracked, preserved, and evaluated during generation. This report presents CreativeGame, a multi-agent system for iterative HTML5 game generation that addresses these issues through four coupled ideas: a proxy reward centered on programmatic signals rather than pure LLM judgment; lineage-scoped memory for cross-version experience accumulation; runtime validation integrated into both repair and reward; and a mechanic-guided planning loop in which retrieved mechanic knowledge is converted into an explicit mechanic plan before code generation begins. The goal is not merely to produce a playable artifact in one step, but to support interpretable version-to-version evolution. The current system contains 71 stored lineages, 88 saved nodes, and a 774-entry global mechanic archive, implemented in 6{,}181 lines of Python together with inspection and visualization tooling. The system is therefore substantial enough to support architectural analysis, reward inspection, and real lineage-level case studies rather than only prompt-level demos. A real 4-generation lineage shows that mechanic-level innovation can emerge in later versions and can be inspected directly through version-to-version records. The central contribution is therefore not only game generation, but a concrete pipeline for observing progressive evolution through explicit mechanic change.