结果：更少手动修改，更多原型
Playco 在游戏原型制作中的手动修改减少了 50%。公司使用了 GPT-6 Astra。使用之前的模型时，团队在手动修正上花费了更多时间。新结果是：从一个灰色基础中产出三个主题原型。
关键指标：
- 相比之前的模型，手动修正减少 50%。
- 从一个 grey box 产出 3 个主题游戏原型。
- 大多数原型一次通过即可运行。
- 一个赛博朋克版本需要修复性能问题。
实用标准：关注手动修改的比例，以及从共同基础中产出的可玩变体数量。这两个指标直接说明模型在多大程度上加速了原型制作。
从一个 grey box 到三个游戏世界
流程从 grey box 开始——一个由简单基础图元构成、尚未定型的原型。Playco 团队围绕玩法和创意细节进行了多次迭代。随后，他们从共同基础中开发出三个主题原型。GPT-6 Astra 一次性生成了全部三个。
阶段：
- 用简单基础图元搭建 grey box。
- 围绕玩法和细节进行迭代。
- 从共同基础中生成三个主题原型。
- 检查大多数是否一次通过即可运行。
- 修复赛博朋克版本中的性能问题。
结论：一个基础可以产出多个可玩变体。团队可以比较更多想法，而不必从零重新搭建每个原型。选择工具的标准是：能否维持共同基础并从中生成不同主题。
为什么模型仅仅会写代码还不够
在游戏开发中，模型必须能够对空间、视觉参考、自适应界面和 game feel 进行推理。同样重要的是，要理解当玩家实际游玩时，改动是否有效。Playbot 让模型能够在引擎中构建、运行测试、发现 bug 并改进所创建的内容。
之前模型与 GPT-6 Astra 的对比：
| 标准 | 之前模型 | GPT-6 Astra |
|---|---|---|
| 手动修改 | 工程师手动修改游戏 | 减少 50% |
| Grey box | 打磨较少 | 第一个原型就已经很强 |
| 空间思维 | — | 有所提升 |
| 复现参考 | — | 有所提升 |
| Unity 中的自适应 UI | — | 有所提升 |
| Game feel | — | 有所提升 |
| 查找 bug | — | 更容易找到 |
实用标准：模型不仅要能提出代码，还要能在引擎中验证结果。空间思维、参考、UI 和 game feel 方面的提升，说明了价值具体增长在哪里。
Playbot 作为验证改动的环境
Playco 在开发 Playbot 时使用了 GPT-6 Astra。这是一款面向专业游戏开发者的 AI-powered IDE。它直接连接到 Unity 和 Godot 等引擎。AI 模型可以编辑场景、游玩和测试游戏、验证改动，并在开发者已经在使用的工具中并行工作。
Playbot 的能力：
- 在引擎中编辑场景。
- 启动游戏并进行测试。
- 验证改动。
- 在现有工具中并行工作。
Playbot 让模型能够游玩游戏并验证自己的改动。因此，Astra 更容易找到 bug 和改善玩家体验的地方。选择标准：工具应当嵌入当前引擎，并让模型有机会在实践中验证结果。
这对处理想法意味着什么
对 Playco 来说，主要效果是能够把更多想法转化为开发者可以游玩和比较的内容。公司表示，如果有十个游戏想法，就可以把十个都做出来。然后可以游玩它们，看看感受如何，而不只是凭空想象。
实用标准：当一个工具能加速从想法到可玩比较的转化时，它就有价值。它不仅帮助生成代码，还帮助验证改动在游戏中的感受。这样，团队在每个原型上花费的手动修改就会更少。
