Li 等：从创意到完成一气贯通支援棋盘游戏设计的AI「AutoBG」— Fukai 解读

一段话摘要

设计一款棋盘游戏，需要同时以设计者身份思考、以玩家身份体验，并在试作与游戏测试之间反复往返，是认知负担极重的创作作业。这篇论文提出「AutoBG」这一系统，将整个流程——从模糊的最初创意，到规则书的反复修改，再到假想读者的测试——一气贯通地支援。作者来自中国 Alaya Lab、上海交通大学等机构，使用公开的 Qwen3.5-27B 模型，通过 LoRA 进行了轻量专门化训练。

AutoBG 由4个专业模块构成：以对话形式将创意结构化的 BG-Ideator；从草案写出完整规则书的 BG-Realizer；诊断缺陷的评估役 BG-Critic；以及模拟150名真实玩家形象、返回个别感想的 BG-Persona。关键在于「分离生成役与评估役，仅当评估役确认改善时才采用改写」的设计，作者将这称为 Verifier-Gated Iteration（验证门控迭代）。

前言

我今天选择这篇论文，是因为其「从最初的创意到完成，一气贯通地帮助游戏制作者」的野心十分明确。论文标题为 AutoBG: A Board Game Design Assistant with Interactive Ideation, Iterative Rulebook Generation, and Individualized Feedback。

有一个重要的前提需要说明。这是 arXiv 的预印本，即刚刚投稿的原稿，尚无法确认已通过学会或期刊的同行评审。因此本文以「作者如此报告」的形式介绍结果，我自身的解读仅限于最后的「Fukai 的读解」一节。被引用量目前几乎为零，这也是一项尚未被广泛讨论的新工作，在此提前说明。

背景

迄今为止，游戏自动生成研究——PCG（Procedural Content Generation，内容自动生成）——大多集中于制作关卡、地形、地图等「内容」。近年来，利用大规模语言模型（LLM）自动书写游戏规则本身的尝试也在增加。作者也将生成游戏描述语言规则的研究、以及自动生成桌游的研究等作为相关研究加以整理。

然而作者指出，现有系统只处理设计流程的「某一阶段」，缺乏从最初创意到修改、假想读者测试的全程支援机制。他们列举了三个未解决的难点：第一，如何引导并结构化模糊的创意；第二，如何在闭合循环中改善规则书；第三，如何针对不同玩家反应的多样性提供反馈。

另一个背景是，让 LLM 自我修正自身输出，在没有外部信号的情况下反而可能降低质量——这是近年研究指出的现象。作者据此采用了明确分离生成役与评估役的「附验证役」方针。棋盘游戏也被用于教育、心理治疗、合作研究，设计的优劣对体验有重大影响。

方法

AutoBG 的基础是数据。作者扩展了先行研究的数据，准备了结构化的2,200本规则书（跨越192个机制与190个主题），以及经质量筛选的18万条真实玩家评测。四个模块均以公开模型 Qwen3.5-27B 为基础，通过 LoRA 进行训练。

首先，BG-Ideator 通过多轮对话引导出设计者模糊的想法，整理成具有概念・分类・机制・设计意图・参数五个字段的「结构化草案」。接着，BG-Realizer 将该草案转换为由七个章节构成的完整规则书。

评估役 BG-Critic 依据 MDA 框架诺断缺陷。其职能有三：评分、诊断、比较。

核心是 Verifier-Gated Iteration：BG-Realizer 提出数个改写候选，BG-Critic 判断「是否比原版改善」。只有被认定为改善时才进入下一版本，当缺陷消失或判定所有候选均无改善时停止。

结果

作者报告的数字，按原文照实介绍。首先，评估役 BG-Critic 的诊断质量，与最强的通用基准 GPT-5.4 相比，10分满分下为 6.07 对 3.92。

在规则书修改方面，使用 Verifier-Gated Iteration 的 BG-Realizer 达到了「零缺陷率」36.7%，而 GPT-5.4 单独自我修改时仅为 14.8%。

也进行了人工评估。在有过将通用 LLM 用于设计经验的22人中，AutoBG 在反馈有用性上为 6.0 对 4.3、在迭代改善上为 6.0 对 3.7，优于通用 LLM。

使用场景

游戏或解谜制作者如何将这项研究的思路带回去运用？举一些具体例子。其一，如果自己在制作 Sokoban-like，分离「生成役」与「评估役」的思路可以直接套用：自动生成关卡后，通过另外准备的「是否可解・是否过难」判定役来过滤，只采用通过的关卡。

其二，如果在运行超休闲游戏的 PCG 流水线，可以像 BG-Persona 那样准备「偏好各异的多个號想玩家」，将同一关卡的反应以分数形式比较。

其三，如果在编写棋盘游戏或TRPG的规则书，可以借鉴 BG-Critic 的 MDA 诊断思路——将规则・动态・乐趣分为三层，厘清「哪一层的哪里出了问题」——作为评审视角的核对清单。

局限

Fukai 在此指出的是，这项研究的「质量」衡量标准几乎全部依赖模型评分这一点。BG-Critic 的诊断质量也是由另一个大规模模型（Gemini-3.1-Pro）来打分，而非真正围坐一桌进行实际游戏的结果。

另一点是，对象是纸质棋盘游戏（桌游），未必能直接移植到实时操作或视觉演出有效的数字游戏・动作解谜游戏。人工评估也仅有30人。LLM 生成的「人物形象」无法充分代表现实人类的多样性，这一局限同样适用。

Fukai 的读解

以下是我（Fukai）明示的解读。我想将这项研究定位于「创作支援AI的主角，正从书写文章的生成役，向辨别优劣的评估役转移」这一潮流之中。AutoBG 所做的事，接近「游戏测试部分自动化」。为了强化评估役，它使用了 MDA 这一人类的设计理论作为骨架——这一方向性值得关注。

结语

AutoBG 的评估役与人物形象，是在同一作者团队的 MeepleLM（模拟多样主观体验的虚拟游戏测试者研究）基础上扩展而来的。参考 MDA 框架的原典（Hunicke 等人2004年），可以建立理解 BG-Critic 以何为骨架的地图。

参考文献

本文参考的论文与相关资料：

AutoBG (arXiv:2606.01976)

同论文 HTML 版

AutoBG 公开代码（GitHub）

相关研究：MeepleLM (Li et al., 2026)

相关研究：MDA: A Formal Approach to Game Design (Hunicke, LeBlanc, Zubek, 2004)