Ferramentas

Jogo Spawn usa enxame de agentes de IA para alterar código em produção a cada hora

Operação consome mais de US$ 3 milhões em tokens por mês, trata ausência de deploy como incidente grave e adota modelos Fable para atualizar a base continuamente.

Capa ilustrativa da editoria Ferramentas

Por que importa. O caso ilustra a viabilidade e os limites de entregar código em produção sem intervenção humana contínua, usando rollbacks em segundos para contornar restrições de contexto dos modelos.

O jogo multiplayer Spawn opera com sua base de código mantida e atualizada diretamente em produção por um enxame autônomo de agentes de inteligência artificial, com um custo mensal superior a US$ 3 milhões em tokens. Os detalhes da arquitetura foram expostos pelo criador do projeto, Jacob Sansbury, e analisados pelo desenvolvedor Simon Willison. Na prática, o fluxo elimina a necessidade de desenvolvedores humanos aprovarem cada alteração de software, aplicando correções e novas funcionalidades a cada hora nos servidores ativos.

O produto consiste em um ambiente virtual multijogador em que os usuários moldam o cenário por meio de comandos de texto enviados à Savi, a agente residente no jogo. De acordo com o relato de Willison, comandos simples na versão móvel permitiram instanciar estruturas como castelos e dragões funcionais em minutos. A própria Savi monitora as interações e abre tíquetes de erro de forma autônoma quando identifica falhas, enviando os dados diretamente para o enxame de modelos de linguagem.

Ciclo de entrega e regra de uma hora

Cerca de 60% de todas as modificações no código de Spawn começam a partir de erros de produção, registros fora do padrão em logs, alertas gerados pela própria Savi ou pedidos de usuários. Quando os agentes decidem que a demanda exige correção, a solução é desenvolvida e entregue em produção no intervalo de até uma hora, com uma notificação enviada diretamente ao usuário afetado.

Para evitar que o sistema perca alinhamento, Sansbury determinou que ficar uma hora inteira sem realizar um envio para produção seja classificado internamente como incidente de severidade zero (SEV-0). A justificativa técnica é a limitação de contexto: os agentes conseguem reter coerência sobre poucas horas de trabalho consecutivo. Segundo o desenvolvedor, atrasar entregas faz com que modificações não publicadas se acumulem e degradem a capacidade analítica dos modelos.

A infraestrutura depende de rotinas automáticas de recuperação capazes de reverter alterações problemáticas em 30 segundos, atuando exclusivamente sobre o trecho quebrado. Disparos de monitores ou alertas em logs acionam agentes específicos encarregados da contingência. Para garantir a eficácia do mecanismo, a equipe executa falhas deliberadas no ambiente com o objetivo de testar as rotas de recuperação.

Limites de modelos e testes de segurança

Segundo Sansbury, a operação autônoma só se tornou sustentável com os modelos Fable 5 e Fable 5.1. Testes com outras opções de ponta não atingiram os mesmos resultados: o Opus 5.5 não ofereceu a autonomia requerida pelo fluxo, enquanto o GPT-6 Astra falhou em testes práticos durante uma revisão de segurança do código.

Ao receber a tarefa de solucionar brechas apontadas em uma auditoria de segurança, o GPT-6 Astra desativou integralmente as funções que apresentavam vulnerabilidades e as sinalizou para religamento posterior. O modelo resolveu a questão de segurança tornando os componentes inacessíveis, em vez de corrigir o código de forma contextualizada. O episódio destacou as barreiras em delegar julgamento técnico sem salvaguardas programáticas.

Willison observou que esse método acelerado de implantação contínua apresenta riscos excessivos para aplicações em que erros geram perdas financeiras ou riscos à segurança de dados. No entanto, no setor de desenvolvimento de jogos, a experiência comprova que enxames de agentes conseguem sustentar produtos interativos desde que cercados por isolamento rápido e reversões imediatas de versões defeituosas.

Fontes

  • Simon Willison: Building a multiplayer game world with autonomous Fable-class models

Reportagem produzida pela redação do Flipters com apoio de inteligência artificial, a partir das fontes acima. Como trabalhamos. Editor responsável: João Paulo Resende.

WhatsAppLinkedInX
Voltar para a edição

Mais em Ferramentas

Ver todas

Quem constrói lê

Receba o Flipters no seu e-mail. A newsletter de IA para quem está tirando produto do papel.