Playgama Sandbox：用 MCP 打通往玩家反馈的 HTML5 快通道

AI3D 发表于 3 周前浏览 2 分类新闻资讯

Playgama Sandbox Creates a Faster Route From Prototype to Players

让可玩原型呈现在真实玩家面前，仍然是游戏开发中最困难的环节之一。构建版本必须打包和分发，分析需要配置，开发者还必须吸引足够多的玩家才能获得有意义的反馈。Playgama 认为浏览器游戏可以大幅缩短这一过程，因为它们无需安装、可以通过链接分享，并且几乎可以立即更新。

通过其新的 Playgama Sandbox 工作流，开发者可以发布 HTML5 项目、添加 Playgama Bridge SDK、收集分析数据，并开始从公司整个网络中获取自然流量。随后，包括留存率、游玩时长、性能、教程完成度和玩家流失在内的指标，可以帮助团队识别游戏在哪些方面表现出色，以及哪些部分可能需要进一步迭代。

在下面的采访中，Playgama 创始人 Dmitry Kachmar 讨论了该工作流如何运作、为什么人类开发者保留对重要决策的控制权、Sandbox 如何将开放式实验与受审核的分发区分开来，以及为什么随着游戏制作变得越来越快，可发现性将变得更加重要。

你认为为什么 HTML5 和网页游戏会成为这类游戏开发的热门环境？

Playgama 创始人 Dmitry Kachmar：HTML5 游戏将成为智能体（agentic）游戏开发的主要实验场：在这里，把 AI 用于游戏创作的各种方法将蓬勃发展并逐渐成熟。其背后的技术原因相当清楚，我们逐条来看。

目前，OpenAI 和 Anthropic 的顶级模型都把 HTML5 视为构建游戏的首选格式。让 GPT-6 Astra 或 Claude Opus 5.5 做一个游戏，它默认给出的通常就是能在浏览器里运行的东西。为什么？因为这是 AI 模型最擅长处理的格式。网页游戏完全由纯代码构建：HTML、JavaScript、CSS。它在各个意义上都易于获取，因此便于游玩、检视，也便于持续打磨构建版本。

如今，开发者可以在 Playgama Sandbox 上一轮又一轮地改进自己的游戏，把全部或几乎全部手工工作交给 AI 智能体。智能体会自己查看分析数据，看到玩家如何与游戏互动，并提出改进方案。开发者的角色则转变为做最终决定：采纳智能体的哪些建议、追踪哪一个假设。当然，现在还为时尚早，技术层面还有很多东西需要打磨。但这些能力本身已经能跑通了。

HTML5 是智能体掌握这门手艺的地方：从游戏设计，到追踪玩家行为，再到据此提出假设与改进。之后，这一切都会延续到游戏行业的其他领域。但网页仍将是最激烈的竞技场，因为它是智能体能够轻松从头到尾跑完整个循环的唯一地方。

你能向我们介绍一下完整的工作流程是什么样的吗？从在 Codex 或 Claude Code 中向智能体发出提示，到发布一款可玩的游戏、收集反馈，再到发布后续更新。

Dmitry Kachmar：这一切从一次性设置开始。开发者只需一条命令，就能把 Playgama MCP 服务器添加到 Codex、Claude Code、Cursor 或其他兼容 MCP 的客户端。从那时起，整个过程都用自然语言来运行。

要发布游戏，开发者只需让智能体把它上传到 Playgama 并返回一个可分享的链接。我们的 MCP 会为每一步向智能体提供清晰的指令，因此它清楚自己该做什么。首先，它会检查是否已集成 Playgama Bridge SDK（每款游戏都必须集成；如果缺失，智能体会先完成集成），添加一组基础分析事件，填写游戏详情，上传封面和构建包，然后等待我们的自动构建检查。就这样，游戏便在 Sandbox 中上线了。

很快，游戏就开始获得自然流量，因为它会出现在整个 Playgama 网络的玩家面前。它能走多远取决于受众：那些能让玩家保持参与并持续回访的游戏，会获得更频繁、更广泛的推荐。

值得一提的是，不断增长的受众从一开始就能带来回报。广告变现从第一天起就内置其中，因此游戏从首次会话开始就能获得收入。

一旦游戏积累了足够多的会话，开发者就可以直接在 Claude Code 或 Codex 中让智能体查看统计数据。通过 MCP，智能体会拉取汇总分析数据。这包括留存率、游玩时长和性能等标准指标，也包括开发者或智能体在游戏中设置的自定义事件，例如玩家最先选择哪个升级项，或者他们在第五关卡在哪里。

这类数据向智能体展示的远不止原始数字。借助布置得当的自定义事件，智能体能对游戏获得细致入微的了解：哪些设计决策带来了回报，哪些没有；玩家在哪里流失；以及他们最喜欢做什么。

随后，开发者可以把这种了解转化为任何他们想要的指令。一个基础的指令可能是：“根据玩家在游戏中的行为，提出应该改进什么以及如何改进。”

一些开发者会审阅这些建议，并挑选要发布的内容。另一些开发者可以更进一步，让智能体自行应用更改，并把新版本上传回 Sandbox。更新版本的数据随之而来，循环再次开始。高级 AI 用户会立刻看出这能走向何方：子智能体互相检查彼此的工作，以及无需开发者参与就能持续改进游戏的优化循环。

智能体如何解读留存率、游玩时长、教程完成率或玩家流失等信息，以及基于这些数据它可能做出哪些类型的游戏设计改动？

Dmitry Kachmar：智能体处理玩家数据的方式与分析师非常相似，只是速度快得多。有些数据是自动采集的：一旦集成 Bridge SDK，Playgama 就会记录会话、游玩时长、留存、广告事件、购买和性能数据。正如我提到的，开发者或智能体本身可以在游戏中的任何位置添加自定义事件：教程步骤、关卡开始、胜负及其原因、商店访问、货币的获取与消耗。

智能体通过 MCP 获取的不是原始事件日志，而是我们已经处理成它能一眼读懂的形式的数据：游戏的整体表现、单个事件的详细拆分，以及随时间变化的趋势。我们不会把现成的建议直接交给智能体。它拿到的是证据，必须自己进行推理，包括在得出结论前检查样本量和数据的时效性。

以下是实际中可能的情形。如果很大一部分玩家在教程第三步退出，智能体可以简化该步骤、缩短它，或允许玩家跳过。如果第 4 关的大多数失败是因为玩家时间耗尽，它可以重新平衡计时器或难度曲线。如果玩家打开商店但很少购买，它可以调整价格或商品阵容，并且可以通过 MCP 直接编辑游戏内目录。如果低端设备上 FPS 下降，它可以削减特效或优化渲染。然后它发布新构建版本，下一轮数据会显示该假设是否成立。

在整个迭代过程中，你如何设想开发者与智能体协作，哪些决策应当仍由人掌握？

Dmitry Kachmar：没人确切知道这会走向何方，但我们已经能看到角色如何分化：智能体提出建议，开发者做决定。智能体会带着几种改进游戏的方式回来，每种方式都基于一个假设。玩家在这里流失，所以试试 A。经济系统给得太慷慨，所以试试 B。这个关卡是难度陡增点，所以试试 C。开发者挑选值得发布的方案。

目前看来，所有定义游戏的东西，以及所有难以撤销的东西，都应当由人掌握，不过我要再次强调，没人知道六个月后我们会身处一个什么样的世界。创意愿景、游戏讲什么以及面向谁，属于开发者。具有真实后果的决策也一样，比如选择将游戏分发到哪些新平台，或把钱花在用户获取上。我们围绕这一原则构建了 Playgama MCP。智能体可以上传构建版本并发布到 Playgama Sandbox，但它不能回滚到之前的版本，也不能请求付款。这些仍然是人在开发者控制台中执行的操作。

但很快，我们预计许多开发者会几乎完全把自己移出这个循环，把日常迭代交给智能体，并定期查看以确保游戏持续增长。无论结果如何，对市场的影响都很容易预测。游戏将成为一个竞争激烈得多的行业。游戏会更多，而且会以我们前所未见的速度变得更好。

对于智能体所受限制减少及其与项目交互方式所涉及的潜在风险，是否有相关考虑？开发者是否能够调整和自定义这些设置？

Dmitry Kachmar：是的，坦白说，很多产品设计正是围绕这一点展开的。我们的出发点很简单：智能体只能做开发者明确允许它做的事。当你连接一个智能体时，它会经过 OAuth，所以在批准任何内容之前，你可以看到是哪个账户、哪个组织和哪个智能体在请求访问权限。一旦连接，智能体就会出现在开发者控制台中，你可以随时撤销其访问权限。如果它 30 天未被使用，就会直接过期。

然后还有一个问题：智能体到底被允许接触什么。任何高风险或难以逆转的操作都交由人类处理。智能体不能选择新的分发平台、回滚版本，也不能做任何与付款相关的事情，并且不能在 Sandbox 中购买付费流量。我们认为这些决定应该由人来做。

至于自定义，我们认为开发者应该自行决定其智能体的独立性和自主程度。默认情况下，客户端会在任何会改变某些内容的操作之前请求确认，因为每个此类操作都会被标记。但开发者可以直接在 Codex 或 Claude Code 中轻松更改该设置。

所有这些都会随着工具本身的发展而演变。我们会根据开发者实际如何使用智能体来持续调整这些防护措施。

这种方法如何帮助开发者解决可发现性问题，尤其是在游戏数量不断增加的情况下？

Dmitry Kachmar：可发现性是当今开发者面临的最严峻挑战，而 AI 只会让情况更严峻：游戏越容易制作，就越难被发现。而玩家才是把一款完成的游戏变成一门生意和洞察来源的关键。没有玩家，你既没有收入，也没有数据。我们的方法是给每款游戏一次与真实玩家进行的公平首测，然后让玩家兴趣——而不是营销预算——来决定什么能成长。

在 Sandbox 中能持续吸引玩家的游戏会被推荐给 Playgama 网络内更广泛的受众，并最终可能进入我们的主目录。从那里，一款游戏可以获得完整的外部分发，触达 15+ 个即玩平台（包括 YouTube Playables）上每月 4.5 亿+ 的潜在玩家。

我们正在构建的另一件事是 Sandbox 开发者仪表盘中的一个系统，它会建议在游戏中修改什么，以扩大受众并提升指标。但现实地说，制作一款成为爆款的游戏会越来越难，仅仅因为推出的项目数量太多了。我们很可能会看到推荐系统发生根本性转变：它们将学会推理，并构建更加个性化的娱乐信息流。