Codex 用 52 分钟生成了一款浣熊盗窃小游戏

Simon Willison2026-08-08 05:02

一位开发者用同一个“浣熊盗窃”游戏提示词，分别测试了 Claude Fable 5 和 Codex Desktop 搭配 GPT-5.6 Sol Ultra 的表现。结果显示，后者生成的游戏在玩法和主题贴合度上更强，但仍暴露出 AI 编程代理在视觉检查和自我修复上的局限。

同一个提示词，两种游戏结果

最初的游戏设定来自四年前由 GPT-3 和 DALL-E 生成的创意，大意是：

在《Raccoon Heist》中，你和一队偷窃浣熊需要完成一系列大胆的抢劫任务。从抢银行到盗取无价艺术品，对这支毛茸茸的小队来说，没有什么任务太大或太小。

此前，Claude Fable 5 根据这个设定一次性生成了一个可运行游戏。不过它的版本更像是：一只浣熊在后院里跑来跑去，收集金币和鱼。

随后，同样的提示词被交给 Codex Desktop，并运行在 GPT-5.6 Sol Ultra 模式下。该模式会更积极地使用子代理来完成任务。

这一次生成的游戏名为 Moonlight & Mayhem。相比前一个版本，它更接近“盗窃”主题：玩家身处博物馆，需要救出另外两名浣熊队友，然后让三只浣熊叠在一起，把金色沙丁鱼从展柜中偷出来。

从游戏设计上看，Codex 版本更符合原始设定，也更有“劫案”氛围。不过，一次性生成出来的版本存在一个很明显的视觉 Bug：每只浣熊头上都有一个巨大黑色球体，看起来像是眼球被放大到了身体数倍大小，并悬浮在头顶附近。

值得注意的是，Codex 在开发过程中曾查看截图，但并没有主动发现并修复这个问题。

开发者后来通过两次简单提示完成修复：

Why do the raccoons have huge black spheres on them?

接着输入：

Fix it

随后 Codex 生成了对应修复提交。

这次 Codex 总共花费了 52 分钟完成项目。开发者还保存了完整的 Codex 对话记录，并提到希望 Claude Code 也能提供类似“复制为 Markdown”的功能。

如果按完整 API 价格估算，而不是使用月度 Codex 订阅，本次会话的成本估算如下：

这次实验体现了几个有意思的现象：

同一提示词在不同模型和代理系统下，产物差异很大
Claude Fable 5 生成的是偏收集玩法的小品游戏；Codex + GPT-5.6 Sol Ultra 则生成了更符合“团队盗窃”设定的博物馆关卡。
子代理模式可能提升复杂任务完成度
GPT-5.6 Sol Ultra 更积极使用子代理，最终产物在结构和主题呈现上更完整。
视觉 Bug 仍需要人类发现和追问
即使代理查看过截图，也没有识别出明显异常。说明当前编码代理在视觉反馈闭环上仍不稳定。
修复交互可以非常短
开发者只用了“为什么有巨大黑球”和“修复它”两步，就让系统完成了修复。这显示出代理在定位和修改已有问题时已经具备较强能力。

整体来看，这次实验展示了 AI 编程代理在小游戏原型生成上的进步：它已经可以在不到一小时内生成一个有主题、有机制、有素材的可玩项目。但同时，它还无法完全替代人类对结果质量的判断，尤其是涉及视觉异常和玩法体验时。