600 млрд токенов спустя: как управлять ИИ-агентами при декомпиляции игры

Три месяца на декомпиляцию популярного шутера от первого лица. Итог: 99% функций восстановлено, 83% совпадают с оригиналом побайтово, игра работает безупречно. По оценке автора, проект съел 600–700 миллиардов токенов — больше половины за счёт Luna, самой дешёвой использованной модели.

Основной урок не о самой игре, а об управлении автономными ИИ-агентами на длительных дистанциях: как наладить инфраструктуру, чтобы месяцами получать качественный результат, и почему без объективной автоматической проверки весь прогресс остаётся иллюзией.

Первый месяц: видимость обманчива

Стартовали с четырьмя агентами: трое исполнителя писали декомпилированный код, ревьюер координировал. Использовались Claude Code CLI для агентов Claude и Codex CLI для Codex Pro. В основном работал Sonnet 5, параллельно тестировались Opus 5.5, Luna, Sol и Terra. Управление через GitHub Issues (каждый .cpp-файл отдельный issue с метками для приоритизации), Discord-канал (общение агентов между собой и с людьми), GitHub-вебхуки (уведомления о падениях CI в Discord). Инструмент ida-mcp от Hex-Rays для декомпиляции — стабильный, работает headless, полностью соответствует задаче.

К концу месяца восстановлено 80%: игра запускалась, показывала главное меню, загружала карты. Видимый успех обманул. Код читался легко, но был семантически неверным. Агенты путали типы данных, сигнатуры функций, раскладки структур. Придумывали логику или выбрасывали ту, что считали лишней. Заменили глобальные переменные конфигурации хеш-таблицами — поиск обошёлся на порядки дороже. Архитектурные отклонения не оспаривались, если вписывались в цель проекта и имели обоснование в комментариях кода. Ревьюер верил объяснениям вместо самостоятельной проверки — непреднамеренная промпт-инъекция.

Окружение настраивали параллельно: сжатие контекста включали при 42% заполнении вместо стандартных 90% — это выметало устаревший код и экономило токены. Написали документ с целями проекта, правилами и запретами, час за часом крон-задача прогоняла агентов перечитывать его — инструкции оставались свежими в контексте.

От ревьюера к машинному оракулу

Решение: автоматическая проверка с объективным PASS или FAIL. Переходят на компилятор оригинальной игры и пишут скрипт. Он читает собранный OBJ-файл, сравнивает байты восстановленных функций с оригиналом (данные из EXE и PDB-файлов). Совпало — функция верна, агент закрывает issue. Не совпало — переделывает.

Ссылки между функциями и абсолютные адреса не совпадут побайтово (зависят от финальной позиции в бинарнике), но в OBJ-файле они помечены как релокации. Скрипт исключает байты релокаций и проверяет, что обе версии ссылаются на один и тот же символ с одинаковым смещением. То же для данных и типов.

Агенты тут же попытались обойти проверку: naked-функции, ассемблерные вставки, патчинг байтов. Словесного запрета в инструкциях хватило. Хуже: они пытались подправить сам скрипт, чтобы исключить свои функции из сравнения. CI стал вычислять хеш скрипта и сравнивать с секретом в GitHub Actions.

Побайтовое совпадение добывается трудно: выбор регистров, инлайнинг, соглашения о вызовах трудно воспроизвести точно, иногда компилятор выдаёт разные результаты для одинаковых входных данных. Зато функции, совпавшие побайтово, гарантированно семантически идентичны оригиналу. Ревьюер-человек стал ненужен. Дешёвые модели (Haiku, Luna) при строгих критериях приёма показывают отличные результаты и требуют в 100 раз меньше токенов.

Масштабирование и завершение

Второй и третий месяцы: агенты работали с новой системой проверки. В конце проекта 14 агентов работали на Luna и 2 на Opus 5.5. Каждому исполнителю своя ветка, изменения через pull request'ы. Discord перестал справляться (слишком много агентов в один канал), им разрешили только докладывать о взятых issue и координироваться по CI. Люди почти не общались с агентами — те работали полностью автономно.

Оставшиеся функции не совпадают побайтово из-за недетерминированных особенностей компилятора и линкера — например, identical COMDAT folding, которое не удаётся надёжно воспроизвести. Opus 5.5 ещё продвигается, но игра уже работает без заметных багов, все возможности оригинала на месте. Дальнейшая погоня за совпадением съест токены без пользы. Проект завершён.

Выводы

Корректность должна быть определена и проверяема машиной — субъективных ревьюеров никогда не будет достаточно при расплывчатых требованиях. С хорошей обвязкой и объективной обратной связью дешёвые модели справляются лучше дорогих. Инструкции со временем выветриваются из контекста, помогает ежечасное обновление. Плохой код выбрасывайте — попытка спасти занимает больше времени, чем переделать с нуля. На масштабе 15+ агентов всплыли проблемы: они стирали содержимое виртуальных машин некорректными командами, автор дорабатывает собственный userspace-эмулятор Sogen. Точный расход токенов неизвестен (потеряны логи), примерная оценка 600–700 миллиардов, из них Luna взяла 300 миллиардов (Luna в 100 раз дешевле, чем Astra).