Խաղերի ընթեռնելիություն LLM-ագենտների համար

LLM-ները իրական խաղերի մշակմանն օգտագործող մշակողները հաճախ պատուհանին են կանգնում: Որոնք իսկ LLM-ները վեբի վրա հիմնված տեխնոլոգիական ստեկներում հիանալի են աշխատում, ավանդական խաղերի մշակման համար դրանց օգտագործումը վատ արդյունքներ է տալիս: Խաղերը պարունակում են LLM-ների համար անհասկանալի տարրեր, ինչը նշանակում է, որ լռելյան մոդելները չեն կարողանում արդյունավետ կարդալ և փոխել դրանք: Սա շտկելու համար մշակողները պետք է տեղադրեն այդպիսի հավանեսներ, որոնք խաղերը դարձնում են AI-ագենտների համար ընթեռնելի:

Ինչու՞ն է LLM-ներին դժվար խաղերի հետ աշխատել

LLM-ները վատ են կարդում խաղերը իրենց լռելյան վիճակում: Վեբ-հավելվածներից տարբեր, որոնց կան հստակ մեծ քանակությամբ բաց կոդ, խաղերին բացակայում են ստանդարտացված գործիքները և ունեն շատ տարրեր, որոնք կոդով հեշտությամբ չեն արտահայտվում: Երբ մշակողները հուսում են LLM-ներին այդ անհասկանալի տարրերը լուծելու, մոդելները ձախողվում են: Հիմնական խնդիրը կոնտեքստի խնդիրն է: Քանի որ խաղերը միայն կոդ չեն, գոյություն ունեցող հավանեսները, որոնք աշխատում են կոդի հետ, բավարար չեն: Մշակողներին անհրաժեշտ է բացել խաղի սև տուփը և դրա ավելի մեծ մասը դարձնել անմջապաստառ LLM-ի համար մատչելի:

Դետերմինիզմ և վերարտադրելի վիճակներ

Որպեսզի խաղը դառնա ընթեռնելի ագենտի համար, դետերմինիզմը կարևոր է: Խաղը պետք է կարողանա հեշտությամբ և ճշգրտորեն վերարտադրել կոնկրետ վիճակ: Սա պահանջում է սկզբից ունենալ պատահականության միասնական seed աղբյուր, ինչը ապահովում է, որ ոչ դետերմինիստական ֆունկցիաների յուրաքանչյուր կանչ օգտագործի այս աղբյուրը: Եթե կոդը կանչում է պատահական float ֆունկցիան 30-րդ տեղում, 30-րդ կանչը միշտ պետք է իդենտիկ լինի: Վերարտադրելի վիճակները ագենտներին հնարավորություն է տալիս զրոյից կրկնելով հասնել միևնուն կետ՝ փոփոխությունները ստուգելու համար: Նաև խորհուրդ է տրվում միջորդ screenshot API-ներ: UI-ի և gameplay-ի շերտերի միացումը-անջատումը նվազեցնում է վիզուալ մեղոնը և LLM-ին թույլ է տալիս կենտրոնանալ կոնկրետ շերտի վրա, որի վրա աշխատանքը ընթանում է:

Խաղերի դարձնելը AI-ի համար ընթեռնելի

Սքրինշոթների միջոցով վիզուալ գնահատումը կարող է պատճառ դառնալ կոնտեքստի կորստի: Նույնիսկ մուլտիմոդալ մոդելներին դժվար է հասկանալ փոփոխությունները ամբողջ սքրինշոթից, ինչը նման է կոնտեքստի պիտանության: Փոխարեն լիովին ցույց տալու պատկերը, մշակողները պետք է օգտագործեն պատկերների դիֆինգ: Այդպիսի գործիքներ, ինչպիսին է odiff-ը, կարող են համեմատել երկու պատկեր և դուր բերել թվային տարբերության նշանակալիքությունը, օրինակ, 85 տոկոսով նման: Սա LLM-ին տալիս է կայուն բազային գիծ՝ գնահատելու առաջընթացը յուրաքանչյուր ցիկլում, մինչև փորձում է նվազեցնել տարբերությունը ընթացիկ վիճակի և թիրախային պատկերի միևնույն:

Ճարտարապետություն ագենտների համար: Thing Driven Development

Ճարտարապետական ընտրությունը նույնպես ունի նշանակալիք: Խորը օբյեկտի վրա հիմնված ծրագրավորման ստերենի պահպանումը AI-ագենտներում պլութոթություն է առաջացնում, երբ նրանք փորձում են որոշել, որտեղ ավելացնել փոփոխություններ: Փոխարեն, մշակողները պետք է տեղադրեն Thing Driven Development: Սա նշանակում է, որ ամեն ինչ մեկ տիպի օբյեկտ է՝ Thing, stat արժեքներով և type enum-ով: AI-ն սիրում է սա, քանի որ գոյություն ունեն մեկ իստակության աղբյուր: Առանձի չկա հստակություն՝ ընդլայնե՞լ դասը թե ստեղծել նորը: Պահպանումը և բեռնումը նույնպես պարզ է դառնում: Խաղը պարզապես դառնում է Thing-ների գիգանտական ցուցակ, որը սերիալիզվում է մեկ ճանապարհով: Այս օբյեկտներում փոփոխությունները ֆիքսելը հնարավոր է Command Pattern-ի օգտագործմամբ՝ փոփոխությունները պահպանելով սերիալիզելի command օբյեկտների տեսքով:

Աղբյուրները: kylekukshtel.com