Usando Claude para extraer datos de un juego Football Manager de 1997
Ben Nuttall realizó ingeniería inversa de FIFA Soccer Manager 97 (FSM97) usando Claude como asistente de extracción de datos. Apuntando Claude al directorio del juego instalado con Wine, la IA localizó SM97.DAT y analizó nombres de jugadores, estadísticas, asignaciones a clubes, estadios y datos de entrenadores, todo mapeado a entidades futbolísticas reales. El objetivo era la reproducibilidad: todo el proceso ahora vive como scripts de Python en GitHub.
Detalles clave
- Archivo fuente:
SM97.DATcontiene todos los datos del juego, incluidos nombres completos de jugadores (p. ej., "David Beckham" frente al "D. Beckham" del juego), nombres de estadios, apodos de clubes e incluso entrenadores que nunca aparecen en el juego. - Consulta inicial: Claude respondió preguntas simples (estadio más grande, jugador mejor valorado) leyendo directamente el archivo binario.
- Exportación CSV: Claude generó archivos CSV para todos los datos; los nombres de las columnas de estadísticas de jugadores eran desconocidos, así que Nuttall lanzó el juego para mapearlos (p. ej., usando las estadísticas de David Seaman como referencia de calibración).
- Generación del sitio: Tras corregir algunos datos alucinados, Claude construyó un sitio HTML interconectado en fsm.bennuttall.com que muestra jugadores, clubes, estadios y curiosidades.
- Correcciones de datos: Nombres de equipos abreviados como "Sheffield W" se expandieron a "Sheffield Wednesday". Errores tipográficos en estadios (p. ej., "Bramall Lane Ground") se corrigieron sin alterar los datos del juego.
- Huevos de pascua descubiertos: El campeón olímpico Daley Thompson aparece como jugador en Mansfield Town. Se detectaron relaciones jugador-entrenador (p. ej., jugador también listado como entrenador del mismo club).
- Estadios compartidos: Clubes como Crystal Palace y Wimbledon usan ambos Selhurst Park; los datos ahora registran esto.
- Páginas de mejores estadísticas: Se generaron listas de los jugadores mejor valorados, mejores jugadores por grupo de edad, mejores jugadores-entrenadores y estadios por capacidad. Notablemente, el club "EA All Stars" contiene jugadores ficticios con altas valoraciones.
Reproducibilidad
Todo el código Python para extraer datos y construir el sitio web es de código abierto en GitHub. Otros pueden ejecutar el mismo proceso sin necesidad de Claude ni ninguna herramienta de IA usando los CSV y scripts publicados.
📖 Read the full source: HN AI Agents
👀 Ver también
Krasis LLM Runtime Muestra Mejoras de Velocidad de 8.9x en Prellenado y 4.7x en Decodificación en Comparación con Llama.cpp
El runtime Krasis LLM ahora ejecuta tanto el prellenado como la decodificación completamente en GPU con diferentes estrategias de optimización, logrando un prellenado 8.9 veces más rápido y una decodificación 4.7 veces más rápida que llama.cpp en Qwen3.5-122B con una sola GPU 5090.
Flujos de Trabajo Dinámicos de Claude Code: Subagentes Paralelos y Modo UltraCode
Claude Code introduce flujos de trabajo dinámicos que orquestan decenas o cientos de subagentes paralelos para tareas complejas como búsqueda de errores en todo el código, migraciones grandes y verificación desde múltiples ángulos. El modo UltraCode activa estos flujos automáticamente en problemas difíciles.
BusyDog Desktop: Un Agente de IA Local con Redes P2P para Mac
BusyDog Desktop es un agente de IA local que ejecuta Claude directamente en un Mac, puede leer/escribir archivos, ejecutar comandos de terminal, controlar navegadores y conectarse con otros agentes a través de una red P2P utilizando Hyperswarm DHT y un protocolo personalizado BDP.
El PTC construido por usuarios para Claude Code muestra un ahorro de tokens del 40-65% en tareas de análisis, no en escritura de código.
Un desarrollador construyó una implementación local de Llamadas a Herramientas Programáticas (PTC) llamada Thalamus para Claude Code y analizó 79 sesiones reales, encontrando ahorros de tokens del 40-65% en tareas de análisis pero ahorros casi nulos en tareas de escritura de código. El agente usó execute() principalmente para computación general en Python en lugar de agrupar llamadas a herramientas.