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 criou um shooter para navegador de 10 jogadores em 20 horas e 8,3 milhões de tokens

Um desenvolvedor criou o shooter online Battlecringe com a ajuda de um agente de IA: o motor funcionando ficou pronto em 2 horas, e a versão estável, em mais duas noites. No total, o agente trabalhou cerca de 20 horas e gerou 8,3 milhões de tokens (fragmentos de código e texto). A maior parte do tempo foi gasta esperando os testes automatizados, que levam 10 minutos cada. O jogo para 10 jogadores roda em uma VPS com 1 GB de memória. A conclusão: o agente precisa de especificações e testes para lidar até com código de rede.

Processado por IA de Habr AI; editado por Hamidun News
Agente de IA criou um shooter para navegador de 10 jogadores em 20 horas e 8,3 milhões de tokens
Fonte: Habr AI. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalHabr AI ↗
Editor-chefe
Dado-chave #1Em repouso, o servidor usa 0,1 vCPU e cerca de 200 MiB de RAM, dos quais 150 MiB são do MongoDB
Draw calls por quadro após a otimização39–68, contra 279–304 antes
Dado-chave #3176 commits, 45 pull requests, cerca de 28 mil linhas e cobertura de testes em Go de aproximadamente 91%

A primeira tentativa desse desenvolvedor de criar um shooter online com IA terminou em fracasso: no Cursor, saiu um código de rede bruto, ping ruim, FPS baixo e gráficos quase inexistentes, e o projeto foi abandonado. Agora ele voltou à ideia, descartou todo o código antigo e recriou o jogo Battlecringe com um agente de IA. O motor funcionando ficou pronto após duas horas de trabalho do agente, e a versão estável, em mais duas noites.

No total, o agente trabalhou cerca de 20 horas (a maior parte do tempo esperando a conclusão dos testes automatizados) e gerou 8,3 milhões de tokens, ou seja, fragmentos de código e texto. O autor publicou estatísticas detalhadas, e com base nelas é possível estimar quanto tempo e recursos um projeto desse tipo custa.

O que foi feito no final

Battlecringe é um shooter para navegador com visão de cima e gráficos low-poly. Há PvP para até 10 jogadores, um modo cooperativo de sobrevivência com ondas de inimigos, mapas gerados proceduralmente e "operações" com tarefas como resgatar um refém ou caçar um chefe. Em torno da luta, há recursos típicos de jogos online: clãs, amigos, loja, skins, conquistas e tabelas de classificação. O servidor é autoritativo: ele decide sobre os acertos, e o cliente apenas prevê o movimento do jogador.

A pilha é convencional. No cliente, TypeScript, React, Three.js e WebGL. No servidor, dois serviços em Go (o motor do jogo e a API de dados), MongoDB, Docker e Caddy, tudo em uma VPS com 1 GB de memória e um vCPU. O deploy é automatizado com GitHub Actions. O autor testou a carga com no máximo cinco jogadores simultâneos e acredita que o servidor aguenta até 50. Trata-se de uma estimativa, não de um teste de carga.

Como o agente levou o projeto até o fim

O autor atribui o sucesso à disciplina em torno do agente. O repositório tem uma pasta docs com o backlog, na qual cada funcionalidade é descrita separadamente. As regras de trabalho estão registradas no Claude.md e foram ajustadas várias vezes: não fazer push na master, quando rodar os testes, como formatar as releases.

O ciclo para cada tarefa é este:

  • formulação da tarefa em texto e análise pelo agente;
  • quando necessário, uma "sabatina" com perguntas no chat;
  • arquivo de especificação da funcionalidade e desenvolvimento;
  • testes unitários e de fumaça;
  • partida e2e entre bots de script, com capturas de tela;
  • pull request e aprovação manual.

O agente foi colocado dentro dos limites de um processo de engenharia comum, e ele trabalhou dentro deles.

O ponto fraco é a velocidade da verificação. Os cenários mais complexos, como a morte súbita e o encerramento da partida pelo cronômetro, levam cerca de 10 minutos por execução. Por isso, os testes e2e eram rodados uma vez por pull request, que podia conter várias funcionalidades, e nem sempre passavam na primeira tentativa.

Os números que vale anotar

  • Tempo: duas horas até o motor funcionando, mais duas noites até a versão estável, cerca de 20 horas de trabalho do agente no total.
  • Tokens: 8,3 milhões gerados e cerca de 945 milhões lidos, em sua maioria a partir do cache. O agente lê cerca de 110 vezes mais do que escreve, e isso é importante para estimar o orçamento.
  • Código: 176 commits na master, 45 pull requests (21 deles apontando para a master), 14 épicos e cerca de 28 mil linhas com a documentação. A cobertura de testes em Go é de cerca de 91%; para TypeScript, não foi medida.
  • Gráficos: meta de 60 FPS, tempo de quadro no 99º percentil de 16,8 ms. Draw calls (comandos de renderização individuais por quadro) nas configurações low, med e high: 39, 49 e 68; antes da correção na versão 2, chegavam a 279–304. Triângulos: 73 mil no low e 141 mil no med e high.
  • Recursos: bundle do cliente de 284 KB em gzip, imagens Docker de 23,6 MB (API) e 18,7 MB (jogo). Em repouso, o servidor usa 0,1 vCPU e cerca de 200 MiB de RAM, dos quais 150 MiB são do MongoDB.

O que se conclui disso

Primeiro, o agente precisa de um processo em torno do modelo: especificações, testes e regras rígidas nas instruções. Segundo o autor, foram exatamente esses elementos que mantiveram baixo o número de erros. Segundo, o gargalo se desloca da escrita do código para a sua verificação. Se uma execução completa leva 10 minutos, o agente fica ocioso, e foi nisso que se foi a maior parte das 20 horas. Acelerar os testes e2e ou executá-los em paralelo compensa mais do que reescrever os prompts. Terceiro, serviços Go de cerca de 20 MB e uma VPS pequena mostram que o backend de um jogo para navegador pode custar pouco.

As ressalvas são evidentes. Trata-se de um caso pessoal de um único desenvolvedor, os números não foram verificados de forma independente, a carga testada é pequena e parte da descrição das funcionalidades foi gerada a partir do changelog. Ainda assim, como referência de prazos, consumo de tokens e desempenho de um projeto 3D para navegador, o caso é útil. O autor promete uma continuação: uma análise detalhada do ciclo de desenvolvimento ou da arquitetura do motor.

História

Perguntas frequentes sobre a notícia

O que foi feito no final?

Battlecringe é um shooter para navegador com visão de cima e gráficos low-poly. Há PvP para até 10 jogadores, um modo cooperativo de sobrevivência com ondas de inimigos, mapas gerados proceduralmente e "operações" com tarefas como resgatar um refém ou caçar um chefe. Em torno da luta, há recursos típicos de jogos online: clãs, amigos, loja, skins, conquistas e tabelas de classificação. O servidor é autoritativo: ele decide sobre os acertos, e o cliente apenas prevê o movimento do jogador. A pilha é convencional.

Como o agente levou o projeto até o fim?

O autor atribui o sucesso à disciplina em torno do agente. O repositório tem uma pasta docs com o backlog, na qual cada funcionalidade é descrita separadamente. As regras de trabalho estão registradas no Claude.md e foram ajustadas várias vezes: não fazer push na master, quando rodar os testes, como formatar as releases.

O que se sabe sobre Os números que vale anotar?

Tempo: duas horas até o motor funcionando, mais duas noites até a versão estável, cerca de 20 horas de trabalho do agente no total. Tokens: 8,3 milhões gerados e cerca de 945 milhões lidos, em sua maioria a partir do cache. O agente lê cerca de 110 vezes mais do que escreve, e isso é importante para estimar o orçamento. Código: 176 commits na master, 45 pull requests (21 deles apontando para a master), 14 épicos e cerca de 28 mil linhas com a documentação.

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…