Le Cadre Autoevolve Utilise le Code Claude pour le Développement d'IA de Jeu via l'Évolution par Auto-Jeu

Résultats de la compétition et approche

Un développeur a utilisé Claude Code comme équipe de développement complète pour la Coupe d'IA de Jeu, un concours de programmation compétitive où les participants écrivent des bots pour un jeu basé sur la physique 2D. Le bot généré par Claude s'est classé 6e sur 83 participants sur trois tours.

L'approche s'est inspirée du concept d'autorecherche de Karpathy, où un agent LLM itère sur du code pendant la nuit. Le développeur a construit un petit framework appelé autoevolve qui adapte cela aux domaines d'auto-joueur — au lieu d'optimiser une seule métrique, les versions s'affrontent les unes contre les autres en tête-à-tête.

La boucle d'évolution

Le flux de travail a suivi cette boucle :

• Claude Code lit le bot actuel
• Analyse pourquoi il a perdu des matchs spécifiques
• Propose une modification ciblée
• La nouvelle version est évaluée par rapport aux versions précédentes
• Conserver ou rejeter la version
• Répéter le processus

Le développeur a exécuté environ 130 itérations sur plusieurs semaines sur trois tours de compétition.

Principales découvertes de l'expérience

Les changements structurels ont surpassé les ajustements de paramètres : Chaque avancée impliquait l'ajout de nouvelles capacités comme le contrôle prédictif par modèle, un rôle de gardien de but, ou une planification consciente de l'énergie. Des dizaines d'ajustements de seuils et de poids étaient plats ou négatifs. Les progrès étaient plus rapides en guidant Claude vers "ajouter un nouveau comportement" au lieu de "ajuster ce nombre".

Les comportements émergents étaient lisibles dans le code : Après que Claude a corrigé une fonction de coût énergétique, l'optimiseur a commencé à utiliser les rebonds sur les murs pour inverser la direction — rebondir sur les murs donne un changement de direction gratuit sans dépenser d'énergie. Ce comportement n'a jamais été explicitement programmé mais est entièrement lisible dans le code, contrairement aux approches par réseaux neuronaux qui créeraient une boîte noire.

Les corrections de bogues se cumulent en isolation : Mélanger des corrections de bogues avec des changements de stratégie introduisait du bruit. Deux corrections de justesse seules dans une version ont battu tous les meilleurs concurrents, mais les mêmes corrections regroupées avec un changement de stratégie dans une autre version étaient plates.

Le journal des modifications était essentiel : Chaque version incluait la proposition de Claude, le résultat attendu, le résultat réel et les leçons apprises. Cela a permis au développeur de dire à Claude "cette approche a échoué trois fois, arrête d'essayer" et d'éviter de répéter des expériences ratées.

Applications plus larges

Le développeur a découvert la liste awesome-autoresearch montrant des modèles similaires de "LLM itère sur du code pendant la nuit" appliqués ailleurs : le PDG de Shopify a obtenu un rendu de modèle 53% plus rapide avec 93 commits automatisés, quelqu'un a mis à l'échelle des noyaux CUDA de 18 à 187 TFLOPS, et le Vesuvius Challenge l'a utilisé pour le déchiffrement d'anciens parchemins.

Commencer avec Autoevolve

Le framework autoevolve fonctionne comme une compétence Claude Code. Installez-le avec :

npx skills add MrTsepa/autoevolve

Puis dites à Claude de configurer une expérience d'évolution. Le framework gère les classements, les matchs, le suivi du front de Pareto et la visualisation.