Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoAnálise · No radarHabr AI→ original

Agente de IA escreveu o motor de um shooter para navegador em 2 horas; o projeto inteiro tem 28 mil linhas

Um desenvolvedor do Habr voltou ao shooter para navegador Battlecringe e levou o projeto até um servidor público. O agente de IA escreveu um motor de jogo funcional em 2 horas, mais dois noites foram gastas na finalização, e o projeto chegou a cerca de 28 mil linhas de código com documentação. Ajudaram as regras para o agente, a descrição de cada funcionalidade e os testes automatizados. Por isso, ao trabalhar com um agente, invista primeiro no backlog e nos testes, e só depois nos prompts.

Processado por IA de Habr AI; editado por Hamidun News
Agente de IA escreveu o motor de um shooter para navegador em 2 horas; o projeto inteiro tem 28 mil linhas
Fonte: Habr AI. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalHabr AI ↗
Editor-chefe
Dado-chave #1O agente trabalhou cerca de 20 horas e gerou 8,3 milhões de tokens
Dado-chave #2Com o servidor ocioso, o consumo é de 0,1 vCPU e cerca de 200 MB de memória
Chamadas de renderização (draw calls)39–68, em vez de 279–304

Programar com vibe coding costuma ser mostrado em exemplos de brinquedo: uma landing page, uma calculadora, uma cobrinha. Aqui o caso é mais sério. Um desenvolvedor do Habr reescreveu do zero o shooter online Battlecringe com a ajuda de um agente de IA. O motor de jogo funcional ficou pronto em 2 horas: já naquele momento um amigo do autor conseguiu entrar e jogar. Mais dois noites foram gastas para chegar a uma versão estável, e no fim o projeto somou cerca de 28 mil linhas de código, incluindo a documentação. O autor publicou números reais sobre tempo, tokens e recursos do servidor, o que é raro em histórias sobre agentes.

Como o projeto voltou do esquecimento

Battlecringe é um shooter para navegador em estilo low-poly, com visão de cima. O jogo tem PvP para até 10 jogadores, um modo cooperativo de sobrevivência, operações em um mapa gerado proceduralmente, amigos, clãs, loja e skins. Antes, o autor já tinha tentado fazer um jogo assim com o Cursor, mas acabou com um código de rede bruto, ping e FPS ruins e gráficos quase inexistentes. Ele abandonou o projeto.

O que o fez voltar à ideia foi o lançamento de um modelo que ele chama de Fable5.2, além do shooter Saltline, feito com WebGL e Three.js por meio de um prompt quase único. O código antigo foi descartado por completo, e o autor começou do zero.

A stack é comum: cliente em TypeScript, React e Three.js, servidor em Go com dois serviços (motor de jogo e API), MongoDB, Docker, Caddy e GitHub Actions. A hospedagem é uma VPS com 1 GB de RAM e um vCPU.

Como funciona o fluxo de trabalho com o agente

O segredo não está em um único prompt bem-sucedido, mas na disciplina em volta do agente. O autor definiu regras antecipadamente: não fazer push na master, quando e como rodar os testes, quais políticas de release seguir. Ele organizou o backlog em arquivos na pasta docs, com uma descrição por funcionalidade.

Depois, o ciclo se repetia:

  • O autor descreve a tarefa em texto.
  • O agente analisa a descrição e, se necessário, faz perguntas de esclarecimento no chat.
  • O agente cria um arquivo de especificação da funcionalidade e escreve o código.
  • Passam os testes unitários e de smoke.
  • Uma sessão completa de e2e é executada: scripts-bot jogam uma partida, e o agente tira screenshots durante o jogo.
  • Um pull request é aberto, e o autor o confirma manualmente.

O autor ajustou as regras do ciclo várias vezes no arquivo Claude.md. A principal desvantagem é que uma execução de e2e leva cerca de 10 minutos, porque o mais difícil de verificar é a morte repentina e o fim da partida pelo cronômetro. Por isso, os testes eram executados uma vez por pull request, e um mesmo PR reunia várias funcionalidades. Em consequência, os testes nem sempre passavam na primeira tentativa.

O que os números mostraram

A master recebeu 176 commits, no total houve 45 pull requests (21 deles foram para a master) e 14 épicos. A cobertura de testes ficou em torno de 91%, mas foi medida apenas para Go, sem contar o TypeScript.

O trabalho do agente levou cerca de 20 horas, sobretudo por causa da espera pelos testes e2e. O agente gerou 8,3 milhões de tokens e leu cerca de 945 milhões, a maior parte vinda do cache. O grosso do volume é leitura de contexto, e sem o cache esse trabalho teria custado bem mais caro.

O desempenho em hardware modesto é razoável. A meta de 60 quadros por segundo se mantém: o tempo de quadro no 99º percentil é de 16,8 ms, ou seja, quase todos os quadros ficam dentro desse limite. O número de draw calls (comandos que o processador envia à placa de vídeo para desenhar objetos) nas configurações baixa, média e alta é de 39, 49 e 68.

Antes da correção na segunda versão, o pico chegava a 279–304. Os modelos têm 73 mil triângulos nas configurações baixas e 141 mil nas médias e altas. O bundle do cliente pesa 284 KB em gzip.

Com o servidor ocioso, o consumo é de 0,1 vCPU e cerca de 200 MB de memória, dos quais aproximadamente 150 MB são do MongoDB. As imagens Docker são pequenas: 23,6 MB na API e 18,7 MB no serviço de jogo.

O que vale considerar

Os números são do próprio autor e não foram verificados de forma independente. Ele testou a carga com no máximo cinco jogadores simultâneos, e a estimativa para 50 pessoas é apenas uma projeção. Parte da descrição das funcionalidades foi gerada a partir do changelog, por isso o funcionamento de cada mecânica deve ser conferido dentro do próprio jogo.

A lição prática é simples. O agente se sai bem quando tem especificações, regras de trabalho, testes automatizados e verificação e2e. O gargalo, nesse caso, não é a velocidade de escrever código, e sim a velocidade de verificá-lo. Se quiser repetir esse caminho, invista primeiro em testes rápidos e em um backlog bem organizado, e só depois nos prompts. O autor promete artigos separados sobre o próprio ciclo de desenvolvimento e sobre a arquitetura do motor.

História

Perguntas frequentes sobre a notícia

Como o projeto voltou do esquecimento?

Battlecringe é um shooter para navegador em estilo low-poly, com visão de cima. O jogo tem PvP para até 10 jogadores, um modo cooperativo de sobrevivência, operações em um mapa gerado proceduralmente, amigos, clãs, loja e skins. Antes, o autor já tinha tentado fazer um jogo assim com o Cursor, mas acabou com um código de rede bruto, ping e FPS ruins e gráficos quase inexistentes. Ele abandonou o projeto.

Como funciona o fluxo de trabalho com o agente?

O segredo não está em um único prompt bem-sucedido, mas na disciplina em volta do agente. O autor definiu regras antecipadamente: não fazer push na master, quando e como rodar os testes, quais políticas de release seguir. Ele organizou o backlog em arquivos na pasta docs, com uma descrição por funcionalidade. Depois, o ciclo se repetia: O autor descreve a tarefa em texto. O agente analisa a descrição e, se necessário, faz perguntas de esclarecimento no chat.

O que os números mostraram?

A master recebeu 176 commits, no total houve 45 pull requests (21 deles foram para a master) e 14 épicos. A cobertura de testes ficou em torno de 91%, mas foi medida apenas para Go, sem contar o TypeScript. O trabalho do agente levou cerca de 20 horas, sobretudo por causa da espera pelos testes e2e. O agente gerou 8,3 milhões de tokens e leu cerca de 945 milhões, a maior parte vinda do cache. O grosso do volume é leitura de contexto, e sem o cache esse trabalho teria custado bem mais caro.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ 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
O que você acha?
Carregando comentários…