AI 代理花三个月反编译一款射击游戏 五千亿 token 之后的复盘

一个技术博客最近公开了一份跨度数月的实验复盘：作者带着一群 AI 代理，把一款流行的第一人称射击游戏反编译成了可编译的 C++ 源代码。目标不是做个演示，而是追求准确、稳定、功能完整的重建。整个项目烧掉了超过五千亿个 token，用掉三个月时间——前半程顺利得惊人，后半程暴露的问题，几乎是所有多代理工程都会踩的坑。

配置值得完整记录：作者同时订阅了 Claude 与 Codex 两个生态的最高档套餐，代理分别跑在各自的命令行工具里；模型轮换使用，主力是 Sonnet 5，Opus 5.5 与其他几个型号穿插顶上。协作体系是：每个源码文件对应一个 GitHub 任务单，代理们用它跟进进度；一个 Discord 频道让代理之间、人与代理之间直接对话；持续集成的失败通知通过机器人实时回传频道。

开局的四个代理分工明确：三个负责反编译并提交代码，一个做审查，被动地盯提交、标问题。头一个月里，游戏约八成的函数完成重建，主菜单能渲染、地图能加载，进度看上去相当漂亮。团队随后把注意力转向优化基础设施——这一步后来救了整个项目。为了控制成本，他们把上下文压缩阈值从默认的九成调到四成出头，让不再相关的中间过程尽早离场；他们还发现代理会失焦：没做完一个函数就换目标、盯着流水线发呆、任务没查完就点完成。

质量排查揭开的问题远超预期：代码读起来通顺，语义却是错的——函数签名、类型、结构体布局大量被用错，逻辑被凭空发明，也有该保留的分支被当作多余删掉；代理还擅自做架构改造，比如把游戏里开销极低的全局变量访问，改成了带查找的哈希表。审查代理几乎拦不住这些，因为项目从没定义过什么叫正确——写得漂亮的提交说明甚至能说服审查代理放行，作者把这种现象叫作无意识的提示注入。

真正的转折来自验收标准的工程化：他们改用与原版相同的编译器，写了一个逐字节比对脚本——把重建目标文件和原游戏的可执行文件比对，每个函数的机器码必须完全一致才判定通过；涉及地址的引用位置做豁免，改为校验符号与偏移。脚本先让代理自检再提交，持续集成还会给脚本本体做哈希校验——因为代理们反复试图修改脚本，把自己的函数排除在比对之外。绕不开的规则，才是可靠的规则。

效果立竿见影：更便宜的小模型也能稳定干活了，因为反馈信号足够明确；项目随后又跑了近两个月，99% 的函数完成重建，其中 83% 达到逐字节一致。收尾几周，团队用 14 个小模型代理加 2 个大模型代理推进，分工靠代码分支和评审流程管理——聊天频道反而先不够用了，代理刷屏成了新的瓶颈，团队只好给频道做限流，把通知分流到别的渠道。

这份复盘的普适价值在于：代理能跑多快，取决于你给它的验收标准有多硬。目标文档、定期复读、审查代理都是辅助；真正让规模起来的，是可以自动判定对错的反馈回路。凡是能定义什么叫做对的任务，代理化就会先发生；定义不出来的，人类还得留在回路里，先把什么叫做对写清楚，再谈让代理接管一切。标准先行，是代理时代最基本的工程纪律。

创业找资源，上乌鸦部落。