Игру Spawn разрабатывает рой ИИ-агентов: токены обходятся в $3 млн в месяц

Spawn — многопользовательская игра с воксельной 3D-графикой, где мир меняют текстовыми запросами. Игрок пишет встроенному ИИ-помощнику по имени Савви, что хочет добавить, и она достраивает мир. Разработчик Саймон Уиллисон попробовал игру с телефона и за несколько минут получил замок, затем дракона, а потом облетел замок верхом. Интереснее другое: по словам основателя Джейкоба Сансбери, саму игру разрабатывает рой агентов на модели Fable. Люди в процессе почти не участвуют, а на токены уходит больше $3 млн в месяц. Токены здесь — единица оплаты работы языковой модели. Сансбери говорит, что на них тратят в 30 раз больше, чем на зарплаты. Если считать грубо, фонд оплаты труда команды получается порядка $100 тысяч в месяц.

Выкатка каждый час и баги, которые заводит сама игра

Агенты меняют живой код напрямую и отправляют правки в продакшен (то есть игрокам) раз в час. Они сами читают ошибки, отчёты о багах и метрики. Около 60% задач начинается с одного из четырёх источников:

• ошибка в продакшене; • баг-репорт от Савви; • странная запись в логах; • запрос новой функции.

Савви заводит баги сама: и когда с проблемой столкнулся игрок, и когда она заметила сбой изнутри игры. Репорт попадает к агенту, который выбирает один из трёх вариантов: это настоящая ошибка и её надо чинить; чинить не будут; это задуманное поведение, по которому нужно решение людей. Чаще всего получается правка, и игрок видит её в течение часа вместе с сообщением в том же чате.

Такой ритм держится, только пока цикл не останавливается. В Spawn час без выкатки считают аварией SEV-0, то есть инцидентом высшей степени тяжести. Копящиеся правки удлиняют жизнь уже существующих проблем и замедляют обратную связь. Есть и довод про устройство самих моделей. Агент удерживает в голове лишь несколько часов работы, поэтому частые мелкие выкатки помогают ему не терять связность.

Откат за 30 секунд и поломки по плану

Чтобы такая скорость не превращалась в хаос, команда сделала быстрый откат. Сломанное изменение возвращают назад за 30 секунд, причём ровно в том месте, где оно сломано, а остальное не трогают. Если срабатывает монитор или оповещение по логам, система запускает или будит агента, который отвечает за этот инцидент. Пути восстановления проверяют на практике: команда ломает продукт намеренно и смотрит, справятся ли агенты.

Какая модель потянула, а какая нет

По словам Сансбери, такую автономность сделала возможной Fable 5, а затем 5.1. Opus 5.5 для их задач не дотягивает. Отдельную историю рассказывают про GPT-6 Astra. Его попросили применить исправления по итогам проверки безопасности. В результате все функции оказались отключены и помечены к включению после завершения правок: модель, как пишет Сансбери, «сделала небезопасное безопасным, просто выключив его». Формально уязвимостей нет, но продукта тоже нет.

Саймон Уиллисон отмечает, что при чтении у него не раз поднимались брови. Он сомневается, что такой подход годится для софта, где ошибка стоит дорого. Для игры, по его оценке, схема работает на удивление хорошо. Игра выгодна как полигон: сбой не угрожает ни деньгам, ни здоровью, а границы возможностей кодинговых агентов проверяются быстро.

Что из этого можно взять инженерам

Цифры $3 млн и 30-кратный перевес над зарплатами пока рассказ самого основателя, независимых подтверждений нет. Но набор практик конкретен и переносим:

• Короткие выкатки как способ держать агента в контексте. Мелкие изменения укладываются в те несколько часов, которые агент способен удерживать. • Быстрый и точечный откат. Откат за 30 секунд делает почасовую выкатку допустимой. • Учения по восстановлению. Намеренные поломки проверяют, что агенты-владельцы инцидентов реально поднимают сервис. • Сортировка багов агентом. Три исхода (чинить, не чинить, нужно решение людей) оставляют людям только вопросы замысла. • Проверка модели на своих задачах. Одна и та же задача безопасности привела Fable к рабочему продукту, а Astra к выключенному.

Для бизнеса вывод прямой: при таком подходе главная статья расходов смещается с оплаты людей на оплату вычислений. Работает схема там, где цена ошибки низкая, а откат дешёвый. Для банков и медицины, как справедливо замечает Уиллисон, перенести её в таком виде вряд ли получится.