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 un shooter navegador para 10 jugadores en 20 horas y 8,3 millones de tokens

Un desarrollador creó el shooter online Battlecringe con un agente de IA: el motor funcional estuvo listo en 2 horas y la versión estable, en otras dos tardes. En total, el agente trabajó unas 20 horas y generó 8,3 millones de tokens (fragmentos de código y texto). El mayor tiempo se fue en esperar las pruebas automáticas de 10 minutos. El juego para 10 jugadores funciona en un VPS con 1 GB de memoria. La conclusión: el agente necesita especificaciones y tests, y entonces puede encargarse incluso del código de red.

Procesado por IA desde Habr AI; editado por Hamidun News
Un agente de IA escribió un shooter navegador para 10 jugadores en 20 horas y 8,3 millones de tokens
Fuente: Habr AI. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalHabr AI ↗
Editor jefe
Dato clave #1En reposo, el servidor usa 0,1 vCPU y unos 200 MiB de RAM, de los cuales 150 corresponden a MongoDB
Dato clave #2Draw calls por fotograma tras la optimización: 39–68, frente a 279–304 antes
Dato clave #3176 commits, 45 pull requests, unas 28 mil líneas y cobertura de Go de alrededor del 91%

El primer intento de este desarrollador por hacer un shooter online con IA fracasó: en Cursor salió código de red en bruto, mal ping, FPS bajo y casi ningún gráfico, y el proyecto se abandonó. Ahora volvió a la idea, descartó todo el código antiguo y reconstruyó Battlecringe desde cero con un agente de IA. El motor funcional estuvo listo en dos horas de trabajo del agente y la versión estable, en otras dos tardes.

En total, el agente trabajó unas 20 horas (la mayor parte del tiempo esperando a que terminaran las pruebas automáticas) y generó 8,3 millones de tokens, es decir, fragmentos de código y texto. El autor publicó estadísticas detalladas, y con ellas se puede calcular cuánto tiempo y recursos cuesta un proyecto así.

Qué salió al final

Battlecringe es un shooter navegador low-poly con vista cenital. Tiene PvP para hasta 10 jugadores, un modo cooperativo de supervivencia con oleadas de mobs, mapas generados de forma procedural y «operaciones» con objetivos como rescatar a un rehén o cazar a un jefe. Alrededor del combate se encuentran elementos habituales de los juegos online: clanes, amigos, tienda, skins, logros y tablas de clasificación. El servidor es autoritativo: decide los impactos, y el cliente solo predice el movimiento del jugador.

El stack es convencional. En el cliente hay TypeScript, React, Three.js y WebGL. En el servidor, dos servicios en Go (el motor del juego y una API de datos), MongoDB, Docker y Caddy, sobre un VPS con 1 GB de memoria y un vCPU. El despliegue está automatizado con GitHub Actions. El autor probó la carga con cinco jugadores simultáneos como máximo y considera que el servidor aguantaría hasta 50. Es una estimación, no una prueba de carga.

Cómo el agente llevó el proyecto hasta el final

El autor atribuye el éxito a la disciplina alrededor del agente. En el repositorio hay una carpeta docs con un backlog en el que cada funcionalidad está descrita por separado. Las reglas de trabajo están escritas en Claude.md y se corrigieron varias veces: no hacer push a master, cuándo ejecutar las pruebas, cómo formalizar las versiones.

El ciclo para cada tarea es el siguiente:

  • planteamiento de la tarea en texto y análisis por parte del agente;
  • si hace falta, un «interrogatorio» con preguntas en el chat;
  • archivo de especificación de la funcionalidad y desarrollo;
  • pruebas unitarias y smoke tests;
  • partida e2e entre bots con guion y capturas de pantalla;
  • pull request y aprobación manual.

Al agente se le aplicó el marco de un proceso de ingeniería normal, y dentro de ese marco trabajó.

El punto débil es la velocidad de verificación. Los escenarios más complejos, como la muerte repentina y el fin de partida por temporizador, tardan unos 10 minutos por ejecución. Por eso, las pruebas e2e se lanzaban una vez por pull request, que podía incluir varias funcionalidades, y no siempre pasaban a la primera.

Las cifras que vale la pena tener en cuenta

  • Tiempo: dos horas hasta el motor funcional, otras dos tardes hasta la versión estable y unas 20 horas de trabajo del agente en total.
  • Tokens: 8,3 millones generados y unos 945 millones leídos, sobre todo desde la caché. El agente lee unas 110 veces más de lo que escribe, algo importante para calcular el presupuesto.
  • Código: 176 commits en master, 45 pull requests (21 apuntan a master), 14 épicas y unas 28 mil líneas con la documentación incluida. La cobertura de pruebas en Go ronda el 91 %; en TypeScript no se midió.
  • Gráficos: objetivo de 60 FPS, con un tiempo de fotograma en el percentil 99 de 16,8 ms. Los draw calls (comandos de renderizado individuales por fotograma) en low, med y high son 39, 49 y 68, y antes de la corrección de la versión 2 llegaban a 279–304. Los triángulos son 73 mil en low y 141 mil en med y high.
  • Recursos: el bundle del cliente pesa 284 KB comprimido en gzip; las imágenes Docker, 23,6 MB (API) y 18,7 MB (juego). En reposo, el servidor usa 0,1 vCPU y unos 200 MiB de RAM, de los cuales 150 corresponden a MongoDB.

Qué se deduce de todo esto

Primero, el agente necesita un proceso alrededor del modelo: especificaciones, pruebas y reglas estrictas en las instrucciones. Según el autor, eso es lo que mantuvo bajo el número de errores. Segundo, el cuello de botella se desplaza de escribir código a verificarlo. Si una prueba completa tarda 10 minutos, el agente se queda parado, y ahí se fue la mayor parte de las 20 horas. Acelerar las pruebas e2e o ejecutarlas en paralelo compensa más que reescribir los prompts. Tercero, los servicios en Go de unos 20 MB y un VPS modesto muestran que el backend de un juego navegador puede costar poco.

Las salvedades son evidentes. Es un caso personal de un solo desarrollador, las cifras no han sido verificadas de forma independiente, la carga probada es baja y parte de la descripción de funciones se generó a partir del changelog. Aun así, como referencia de plazos, tokens y rendimiento de un proyecto 3D para navegador, el caso resulta útil. El autor anuncia una continuación: un análisis detallado del ciclo de desarrollo o de la arquitectura del motor.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Qué salió al final?

Battlecringe es un shooter navegador low-poly con vista cenital. Tiene PvP para hasta 10 jugadores, un modo cooperativo de supervivencia con oleadas de mobs, mapas generados de forma procedural y «operaciones» con objetivos como rescatar a un rehén o cazar a un jefe. Alrededor del combate se encuentran elementos habituales de los juegos online: clanes, amigos, tienda, skins, logros y tablas de clasificación. El servidor es autoritativo: decide los impactos, y el cliente solo predice el movimiento del jugador.

Cómo el agente llevó el proyecto hasta el final?

El autor atribuye el éxito a la disciplina alrededor del agente. En el repositorio hay una carpeta docs con un backlog en el que cada funcionalidad está descrita por separado. Las reglas de trabajo están escritas en Claude.md y se corrigieron varias veces: no hacer push a master, cuándo ejecutar las pruebas, cómo formalizar las versiones.

¿Qué se sabe sobre Las cifras que vale la pena tener en cuenta?

Tiempo: dos horas hasta el motor funcional, otras dos tardes hasta la versión estable y unas 20 horas de trabajo del agente en total. Tokens: 8,3 millones generados y unos 945 millones leídos, sobre todo desde la caché. El agente lee unas 110 veces más de lo que escribe, algo importante para calcular el presupuesto. Código: 176 commits en master, 45 pull requests (21 apuntan a master), 14 épicas y unas 28 mil líneas con la documentación incluida.

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…