Une étude de cas exploratoire du refactoring assisté par LLM et de la génération de fonctionnalités de gameplay dans un jeu de course sans fin

Résumé

Les grands modèles de langage (LLM) sont de plus en plus utilisés pour soutenir le développement logiciel, mais leur utilité pratique dans des contextes appliqués de développement de jeux reste peu explorée, en particulier lorsque le code généré doit être intégré dans un système logiciel de jeu existant. Cet article présente une étude de cas empirique exploratoire de GPT-4o dans un runner infini personnalisé en Python/Pygame. L'étude examine six tâches de développement sélectionnées : trois tâches de refactorisation localisée et trois tâches impliquant la génération de fonctionnalités de gameplay. Les implémentations résultantes ont été évaluées à l'aide de métriques logicielles, de tests unitaires et d'évaluations manuelles du gameplay. Dans cette étude de cas, les trois tâches de refactorisation sélectionnées ont été réalisées avec succès en termes fonctionnels, tandis qu'une seule des trois tâches de génération de fonctionnalités de gameplay a abouti à une fonctionnalité correctement intégrée. Les résultats suggèrent que, dans ce contexte, GPT-4o a géré les transformations localisées de manière plus fiable que les tâches nécessitant de nouvelles interactions de gameplay à travers plusieurs systèmes existants. Compte tenu de la conception exploratoire à cas unique, ces résultats sont mieux interprétés comme des observations indicatives plutôt que comme des preuves généralisables de la performance du modèle au niveau catégoriel. Dans l'ensemble, l'article apporte un compte rendu transparent basé sur un cas des opportunités et des limites de la refactorisation assistée par LLM et de la génération de fonctionnalités de gameplay dans un système logiciel de jeu existant.

English

Large language models (LLMs) are increasingly used to support software development, but their practical usefulness in applied game-development settings remains underexplored, especially when generated code must be integrated into an existing game software system. This paper presents an exploratory empirical case study of GPT-4o in a custom Python/Pygame endless runner. The study examines six selected development tasks: three localized refactoring tasks and three tasks involving gameplay feature generation. The resulting implementations were evaluated using software metrics, unit tests, and manual gameplay assessments. In this case study, all three selected refactoring tasks were completed successfully in functional terms, whereas only one of the three selected gameplay feature generation tasks resulted in a correctly integrated feature. The findings suggest that, in this setting, GPT-4o handled localized transformations more reliably than tasks requiring new gameplay interactions across multiple existing systems. Given the exploratory single-case design, these results are best interpreted as indicative observations rather than as generalizable evidence of category-level model performance. Overall, the paper contributes a transparent case-based account of the opportunities and limitations of LLM-assisted refactoring and gameplay feature generation in an existing game software system.