Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarHabr AI→ original

Un agente de IA escribió el motor de un shooter para navegador en 2 horas: todo el proyecto suma 28 000 líneas

Un desarrollador de Habr volvió a trabajar en el shooter para navegador Battlecringe y lo llevó hasta un servidor público. El agente de IA escribió un motor de juego funcional en 2 horas, y otras dos tardes se fueron en pulirlo. El proyecto acabó con unas 28 000 líneas de código, incluida la documentación. Ayudaron las reglas para el agente, una descripción de cada funcionalidad y las pruebas automáticas. Por eso, al trabajar con un agente, conviene invertir primero en el backlog y las pruebas, y solo después en los prompts.

Procesado por IA desde Habr AI; editado por Hamidun News
Un agente de IA escribió el motor de un shooter para navegador en 2 horas: todo el proyecto suma 28 000 líneas
Fuente: Habr AI. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalHabr AI ↗
Editor jefe
Dato clave #1El agente trabajó unas 20 horas y generó 8,3 millones de tokens
Dato clave #2El servidor en reposo ocupa 0,1 vCPU y unos 200 MB de memoria
Llamadas de dibujo (draw calls)39–68 en lugar de 279–304

La programación por vibras suele mostrarse con ejemplos de juguete: una landing, una calculadora, una serpiente. Este caso es más serio. Un desarrollador de Habr reescribió desde cero el shooter en línea Battlecringe con un agente de IA. El agente montó un motor de juego funcional en 2 horas: ya entonces un amigo del autor pudo entrar y jugar. Otras dos tardes se fueron en una versión estable, y al final el proyecto suma unas 28 000 líneas de código junto con la documentación. El autor publicó cifras reales de tiempo, tokens y recursos del servidor, algo poco habitual en las historias sobre agentes.

Cómo el proyecto regresó del olvido

Battlecringe es un shooter para navegador low-poly con vista cenital. Incluye PvP de hasta 10 jugadores, un modo cooperativo «Supervivencia», operaciones en un mapa generado de forma procedural, amigos, clanes, tienda y skins. Antes, el autor ya había intentado hacer este juego con Cursor, pero obtuvo código de red en bruto, mal ping y FPS, y gráficos casi inexistentes. Abandonó el proyecto.

Lo que le hizo volver a la idea fue el lanzamiento de un modelo al que llama Fable5.2, y el shooter Saltline, hecho con WebGL y Three.js a partir de casi un solo prompt. Descartó por completo el código antiguo y empezó desde cero.

El stack es convencional: cliente en TypeScript, React y Three.js; servidor en Go con dos servicios (motor de juego y API); MongoDB, Docker, Caddy y GitHub Actions. El alojamiento es un VPS con 1 GB de RAM y un vCPU.

Cómo funciona el ciclo de trabajo con el agente

El secreto no está en un prompt acertado, sino en la disciplina que rodea al agente. El autor fijó de antemano las reglas: no hacer push a master, cuándo y cómo ejecutar las pruebas, qué políticas de release respetar. Desglosó el backlog en archivos dentro de la carpeta docs, con una descripción por funcionalidad.

Después, el ciclo se repetía:

  • El autor plantea la tarea en texto.
  • El agente analiza la propuesta y, si hace falta, formula preguntas aclaratorias en el chat.
  • El agente crea un archivo de especificación de la funcionalidad y escribe el código.
  • Pasan las pruebas unitarias y de humo.
  • Se ejecuta una sesión e2e completa: scripts-bot juegan una partida y el agente toma capturas durante el juego.
  • Se abre un pull request, que el autor confirma a mano.

El autor modificó muchas veces las reglas del ciclo en el archivo Claude.md. Su principal inconveniente es que una sola ejecución e2e tarda unos 10 minutos, porque lo más complejo de verificar es la muerte repentina y el fin de la partida por temporizador. Por eso las pruebas se ejecutaban una vez por pull request, y en un mismo PR entraban varias funcionalidades. Como consecuencia, las pruebas no siempre pasaban a la primera.

Qué muestran las cifras

En master entraron 176 commits; hubo 45 pull requests (21 de ellos se revisaron contra master) y 14 épicas. La cobertura de pruebas ronda el 91 %, pero solo se midió para Go, no para TypeScript.

El trabajo del agente ocupó unas 20 horas, sobre todo por la espera de las pruebas e2e. Generó 8,3 millones de tokens y leyó unos 945 millones, en su mayoría desde caché. El grueso del volumen es lectura de contexto, y sin caché este trabajo habría costado bastante más.

El rendimiento en hardware modesto es razonable. Se sostienen los 60 fotogramas por segundo objetivo: el tiempo de fotograma en el percentil 99 es de 16,8 ms, es decir, casi todos los fotogramas caben en ese límite. El número de draw calls (comandos con los que el procesador pide a la tarjeta gráfica dibujar objetos) en ajustes bajos, medios y altos es de 39, 49 y 68.

Antes de la corrección de la segunda versión, el pico llegaba a 279–304. Los modelos tienen 73 000 triángulos en ajustes bajos y 141 000 en medios y altos. El bundle del cliente pesa 284 KB en gzip.

El servidor en reposo ocupa 0,1 vCPU y unos 200 MB de memoria, de los que unos 150 MB corresponden a MongoDB. Las imágenes de Docker son pequeñas: 23,6 MB la de la API y 18,7 MB la del servicio de juego.

Qué conviene tener en cuenta

Las cifras proceden del propio autor y no las ha verificado nadie de forma independiente. Probó la carga con cinco jugadores simultáneos como máximo, y la estimación para 50 personas es una proyección. Parte de la descripción de las funciones se generó a partir del changelog, así que el funcionamiento de cada mecánica conviene comprobarlo en el propio juego.

La lección práctica es sencilla. El agente funciona bien cuando dispone de especificaciones, reglas de trabajo, pruebas automáticas y verificación e2e. El cuello de botella no es la velocidad de escritura del código, sino la velocidad de verificación. Si quieres repetir este camino, invierte primero en pruebas rápidas y en un backlog cuidado, y solo después en los prompts. El autor promete artículos aparte sobre el ciclo de desarrollo y la arquitectura del motor.

Historia

Preguntas frecuentes sobre la noticia

Cómo el proyecto regresó del olvido?

Battlecringe es un shooter para navegador low-poly con vista cenital. Incluye PvP de hasta 10 jugadores, un modo cooperativo «Supervivencia», operaciones en un mapa generado de forma procedural, amigos, clanes, tienda y skins. Antes, el autor ya había intentado hacer este juego con Cursor, pero obtuvo código de red en bruto, mal ping y FPS, y gráficos casi inexistentes. Abandonó el proyecto.

Cómo funciona el ciclo de trabajo con el agente?

El secreto no está en un prompt acertado, sino en la disciplina que rodea al agente. El autor fijó de antemano las reglas: no hacer push a master, cuándo y cómo ejecutar las pruebas, qué políticas de release respetar. Desglosó el backlog en archivos dentro de la carpeta docs, con una descripción por funcionalidad. Después, el ciclo se repetía: El autor plantea la tarea en texto. El agente analiza la propuesta y, si hace falta, formula preguntas aclaratorias en el chat.

¿Qué se sabe sobre Qué muestran las cifras?

En master entraron 176 commits; hubo 45 pull requests (21 de ellos se revisaron contra master) y 14 épicas. La cobertura de pruebas ronda el 91 %, pero solo se midió para Go, no para TypeScript. El trabajo del agente ocupó unas 20 horas, sobre todo por la espera de las pruebas e2e. Generó 8,3 millones de tokens y leyó unos 945 millones, en su mayoría desde caché. El grueso del volumen es lectura de contexto, y sin caché este trabajo habría costado bastante más. El rendimiento en hardware modesto es razonable.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…