AI 写游戏终于有人验收了：GamePhanes 让智能体自己跑游戏修 Bug
让 AI 写一个游戏，它能输出几百行代码。但代码能不能编译、游戏能不能启动、按了按钮有没有反应——没人验证。GamePhanes 想做的事，就是给写游戏的 AI 建一个考场，验证它写出来的东西到底能不能跑。
GamePhanes 是开源项目，定位是面向交互软件编程智能体的基准测试平台，目前只支持 Godot 游戏引擎。Godot 是一款免费开源的游戏引擎，独立开发者常用它做 2D、3D 游戏。
基准测试考的是什么
可以理解为 AI 的标准考试：给 AI 固定题目，看它完成得怎么样，用来横向对比不同模型的能力。
GamePhanes 考的不是 AI 操控角色通关，而是 AI 写代码、改代码、修 Bug 的能力。具体流程是这样的：AI 拿到一个游戏工程和一份改造目标，在受限的命令行环境里干活，改完提交。GamePhanes 把改完的工程真正跑起来，用评测器模拟按键、触发交互，观察游戏有没有按预期反应，再给出机器可读的评分。
整个循环是：理解需求、规划、构建、运行、执行验证、观测结果、修复，再评测。AI 可以在反馈中继续修改，修到通过为止。
评卷不靠大模型，靠确定性规则
很多编程基准测试用大模型当评委打分，GamePhanes 刻意避开了这个设计。它用确定性断言来判定结果，就是写死的检查规则，游戏状态、运行日志都是评分依据。
好处是公平：同样的代码，今天评和明天评，分数一致，不受评委模型版本波动的影响。AI 也能明确看到哪条检查没过，不用瞎猜。
和上一代基准测试的区别
之前主流的编程基准测试，考核的是 AI 在命令行环境里完成任务，输出是文本，验证靠比对命令行结果。但交互软件不一样。一个游戏必须能启动、能响应输入、能改变运行状态、能呈现用户看得见的结果。文本对上了不代表游戏能玩。
GamePhanes 把评测从命令行输出推进到真实运行的游戏，这是它最大的差异点。
现在能做什么
v0.1 版本已具备：Godot 环境自动探测、任务校验、向游戏工程注入测试驱动、无头模式运行游戏（不弹窗口，适合服务器环境）、结构化运行日志、确定性评分，以及一套与模型无关的适配接口，不管编程智能体用的是哪个大模型，都能接进来。
写在最后
GamePhanes 的价值在于补上了 AI 写交互软件的验证闭环：写代码只是开始，跑起来、被验收、能修复，才算真正会写。它目前只支持 Godot，但思路可以复制到任何交互软件上。