Agent 造的游戏，怎么自动评测？
本文基于 tongxuluo/gamecraft-bench 的源码（论文 arXiv:2606.17861），讲清"轨迹回放 + 多模态评分"这条链路是怎么设计的。 一、它是什么 GameCraft-Bench 测的是：coding agent 能不能把一段自然语言游戏规格，变成一个完整可玩的 Godot 项目。140 个任务，覆盖 15 个游戏门类（平台跳跃、策略、塔防、Roguelike、视觉小说……），跑在 Harbor 框架上，并自带一个 Docker-less 的本地子进程环境。 ...