Un LLM controla al héroe de un RPG en línea: Gemini solo da abasto con 1 de cada 10 pasos del juego

La mayoría de los proyectos de juegos con LLM terminan en conversaciones: la red neuronal interpreta a un NPC y responde a las líneas de diálogo. El autor de este experimento fue más allá y entregó al modelo el control de un personaje en un RPG en red. La diferencia es fundamental: se puede decir cualquier cosa, pero solo se puede hacer lo que permiten las reglas del mundo.

Cómo funciona

El juego es asíncrono: el servidor no espera al jugador, y por ahí corren otros personajes y goblins. Por eso el cliente se construye sobre tres hilos. El primero recibe líneas del servidor y las analiza para convertirlas en una estructura. El segundo envía una solicitud al LLM y espera la respuesta. El tercero retransmite la imagen a un navegador para que una persona pueda observar lo que ocurre.

El prompt se ensambla sobre la marcha a partir de observaciones: qué ve y oye el personaje, qué tiene en el inventario, qué recursos se necesitan para el objetivo y qué acciones están disponibles en ese momento. Al principio se envía un MASTER-PROMPT estático con las reglas del juego y las recetas de fabricación. Después, cada respuesta se vincula con la siguiente solicitud mediante un identificador, como la continuación de un diálogo.

El formato de respuesta lo define un esquema response_format. El autor comparó dos enfoques: campos numéricos con una probabilidad para cada acción y un único campo action con un enum. No encontró una diferencia apreciable en la calidad y eligió el enum porque es más fácil de analizar. Además, el modelo devuelve un objetivo, planes, pensamientos y una réplica opcional.

Donde todo choca con los límites

En el nivel gratuito, los modelos lite pueden hacer una solicitud cada 4 segundos. El paso del servidor es de 0,45 s, así que, en el mejor de los casos, el LLM ve uno de cada diez pasos. El límite diario es de 500 solicitudes, tras lo cual hay que cambiar de modelo. Hay también un límite poco evidente: la cadena de respuestas se rompe con un error de profundidad máxima tras aproximadamente 100 iteraciones. Es posible que dependa de lo lleno que esté el contexto.

La memoria del agente hubo que construirla a mano: una memoria por celdas de los objetos importantes, una memoria de eventos y una memoria de acciones pasadas. Aparte surgió una memoria de escasez. El modelo "mete en la fundición" con total seguridad objetos que no tiene. Cuando el analizador detecta la discrepancia, el objeto que falta se registra y se filtran las acciones que lo contradicen.

Qué se obtuvo

El agente camina, recoge objetos, construye edificios y de vez en cuando funde metal. Una vez coló una punta de pico, una de las recetas más complejas, aunque parte de los ingredientes los encontró en el cadáver de un enano. Sus réplicas son bastante coherentes: comenta sus acciones e intenta hablar con los NPC.

Pero su comportamiento no puede calificarse de inteligente. El agente cae en bucles muertos: fabrica cosas innecesarias, da vueltas en el sitio y se atasca en intercambios. Puede ignorar la pista "a la derecha hay una pared con los minerales necesarios" y pasar de largo. El único trato exitoso con un enano resultó ser ruinoso: cambió todo su estaño por mineral de cobre, carbón y arcilla, es decir, lo raro por lo común.

Conclusión práctica

Primero, la velocidad es decisiva. Si la respuesta llegara en medio segundo, el juego podría llevarse de forma síncrona sin perder pasos. El autor piensa en un pequeño modelo local. Segundo, una lista de coordenadas en texto funciona mal como descripción espacial. Tercero, la conclusión más sensata es esta: conviene encargar al LLM las decisiones de alto nivel y el habla, por ejemplo "ve a la forja", y dejar la ruta y la ejecución a algoritmos clásicos.

Es el mismo patrón que en los agentes de producto: el modelo planifica, el código determinista ejecuta y verifica. La limitación del experimento es que se trata de un único prototipo ingenuo, sin métricas, pero el conjunto de tropiezos con límites, bucles y memoria le resultará familiar a cualquiera que construya agentes.