재귀적 게임 크리에이터: 에이전트형 제품 수준 경험 지향 게임 하네스

Recursive Game Creator: An Agentic Product-Level Experience-Oriented Game Harness

October 6, 2026

저자: Jiajun Chen, Haoyu Wu, Mingda Jia, Xihui Liu

cs.AI

초록

최근 게임 디자인 에이전트들은 플레이 가능한 게임 생성에서 상당한 진전을 이루었다. 그러나 프로그램 정확성이 플레이어에게 즐거운 경험을 보장하지는 않는다. 우리는 대략적인 게임 프로토타입에서 재미있는 게임으로 에이전트 기반 게임 개발을 발전시키기 위한 경험 지향적 하네스인 Recursive Game Creator를 제시한다. Recursive Game Creator는 디자이너, 빌더, 플레이어, 리뷰어의 네 구성 요소를 중심으로 재귀적 개발을 구성한다. 디자이너는 사용자 지시와 리뷰어의 피드백을 상세 계획으로 변환한다. 빌더는 이러한 계획을 후보 게임으로 만든다. 코딩 네이티브 플레이어는 프로그래밍 인터페이스를 통해 재사용 가능한 정책을 생성하고 실행하여 다양한 게임플레이 궤적을 효율적으로 수집함으로써 느린 GUI 기반 수집으로 인한 평가 편향을 완화한다. 리뷰어는 정교하게 설계된 궤적 기반 지표를 사용하여 플레이어 선호를 유도하고, 시각적 증거 및 명시적 텍스트 선호와 통합하여 게임별 기준에 따라 게임을 평가한다. 마지막으로, 리뷰어는 더 나은 버전을 채택하고 다음 라운드를 위한 개선 리뷰를 제공하여 재귀 루프를 닫는다. 우리 방법은 GameCraft-Bench에서 77.89의 최첨단 종합 성능을 달성한다. GameASG-Bench에서 엄격한 과제 성공률 53.2%를 달성하여 동일 모델 기준선 대비 34.1% 향상되었고, 비교 방법들 중 가장 높은 평균 런타임 검사 통과율 93.4%를 기록했다. 사용자 연구는 더 긴 플레이 시간과 더 높은 평점을 보여준다. 코드는 곧 공개될 예정이다.

English

Recent game design agents have made substantial progress in generating playable games. However, program correctness does not ensure an enjoyable experience for players. We present Recursive Game Creator, an experience-oriented harness to advance agentic game development from rough game prototypes into entertaining games. Recursive Game Creator organizes recursive development around four components: Designer, Builder, Player, and Reviewer. The Designer translates user instructions and Reviewer's feedback into detailed plans. The Builder turns these plans into candidate games. The coding-native Player creates and executes reusable policies through programmatic interfaces to efficiently collect diverse gameplay trajectories, mitigating evaluation bias caused by slow GUI-based collection. The Reviewer uses carefully designed trajectory-based metrics to induce player preferences, integrating with visual evidence and explicit textual preferences to evaluate games against game-specific criteria. Finally, the Reviewer accepts the better version and provides improvement reviews for the next round, closing the recursive loop. Our method achieves state-of-the-art overall performance of 77.89 on GameCraft-Bench. On GameASG-Bench, it achieves a strict task success rate of 53.2%, a 34.1% improvement over the same-model baseline, and the highest mean runtime-check pass rate at 93.4% among compared methods. A user study shows longer playtime and higher ratings. Code is coming soon.