# Evals — game-designer

Два прогона на `deepseek-flash` в контейнере (pi, изоляция на папку, сеть открыта, thinking `off`),
один и тот же промпт: *«Create the best browser game you can. Single self-contained `index.html`,
no build step, no external libraries, no network, it must be playable»*.

- **Run 0 — baseline.** 5 агентов + пилот на `max thinking`.
- **Run 1 — со скиллом.** 5 агентов, тот же промпт плюс `Use the game-designer skill.`

Полные разборы: `RESULT-pilot-01.md`, `RESULT-run-1.md`, `RESULT-run-2.md` (в отдельном рабочем
каталоге экспериментов).

## Жанровое разнообразие

| | baseline | со скиллом |
|---|---|---|
| жанры | 5 из 6 — арена/волны с dash и апгрейдами | 5 из 5 разных: пейбл, головоломка про лезвия, дуэль, свинг, рост через поедание света |
| названия с NEON | 4 из 6 (два одинаковых — `NEON DRIFT`) | 0 из 5 |
| «неоновая» доля палитры (замер по скриншотам) | 99–100 % | 0 %, 0 %, 29 %, 100 % (бледный), 100 % |

## Стоимость

| | baseline | со скиллом |
|---|---|---|
| вызовов инструментов на агента | 34–166 | 207–453 |
| $ на прогон | 0.66 (6 игр) | 2.38 (5 игр) |

## Что скилл сломал

1. **Не было условия остановки.** Продолжение четырёх агентов на 30 минут дало 81M токенов и
   **4 правки кода на 5.6 KB**: проверки, которые сами всегда проходят, не дают новой информации.
   Исправлено секцией `Stop`.
2. **Тяготел к самоотчёту.** «Понятно ли, что делать» агенты закрывали абзацем текста на титуле.
   Формулировка в `Verify` переписана: логику должен нести экран, а не проза.

## Что осталось несломанным

- Три из пяти прототипов не дошли до финального отчёта (лимит времени), их «непонятно как играть»
  может быть частично следствием отсечки.
- Оригинальность выросла, играбельность просела: новые жанры требуют обучения, а обучения в скилле
  нет намеренно — регламент заменяет живого игрока, а не заменяет его честно.