devgo.cn让 LLM 玩贪吃蛇，最尴尬的瞬间是什么？你还在思考下一步往哪走，蛇已经自己往前挪了一格，撞墙了。Pigame 这个项目要解决的正是这个问题：它用 Pi（一个可配置 LLM 的命令行工具）作为大脑，通过两个工具——game_observe（观察屏幕，把画面转成结构化状态）和 game_move（执行一步移动）——让模型像人一样“看一眼、走一步”地玩黑盒浏览器游戏。
项目代号 GameMind，第一个演示游戏是 Neon Snake（霓虹贪吃蛇）。Pigame 的定位很克制：它只做脚手架，真正的决策完全交给 LLM。架构分三层：Pi + LLM 负责决定做什么、判断目标是否完成；game_observe 是眼睛，把屏幕变成 AgentState（智能体状态，包含玩家位置、食物位置、分数等）；game_move / game_wait 是手和脚，负责行动和等待。特别的是，项目刻意没有提供 game_eat_food 或 game_survive 这类高层工具，模型必须自己循环 observe → move，自己推理出“该往食物方向走”。这种设计让模型真正面对黑盒环境，而不是靠预设技能作弊。
核心难点在于：上游的贪吃蛇游戏有自己的游戏循环，时间一直在走。LLM 的 observe → think → move 链路很长，等它想完，蛇已经移动了好几步，决策全部过期，玩起来非常笨拙。Pigame 的解法是修改游戏本身：它内置了一个打过补丁的 snake.html，开启 agent mode（智能体模式）。连接后，游戏自动循环被暂停；调用 game_observe 时世界保持冻结，时间不流逝；调用 game_move 时，蛇严格地朝指定方向走一格（步数可通过 MOVE_STEPS 调整）。这样一来，LLM 拥有了“无限思考时间”，每次决策都基于最新状态，游戏从实时反应变成了回合制决策。
这个思路很妙：与其让模型适应实时游戏，不如改造环境，把问题降维成模型擅长的离散决策。对开发者来说，这意味着你可以用同样的 observe/move 模式去控制任何黑盒系统——浏览器自动化、UI 测试、甚至操作真实软件，只要你能提供观察接口和动作接口。
项目还提供了完整的 smoke 测试脚手架，比如 npm run smoke:eat 会用写死的循环去吃一个食物，验证 Adapter（适配器，连接游戏和工具的中间层）、感知和输入输出链路是否正常，不依赖 LLM。这些测试用于 CI 和调试，不是智能体路径。安装和使用也很简单：克隆仓库、npm install、Playwright install chromium，然后通过 pi -e ./.pi/extensions/pigame.ts 启动扩展，在 Pi 的 TUI 里用 /game connect 连接游戏，再用 /skill:eat-food 或直接粘贴提示词让模型开始玩。
提示词里特别强调：只用 game_observe、game_move 和可选的 game_wait；优先使用 groundTruth 网格坐标（即游戏内部真实坐标，而不是像素位置）；吃一个食物后，当分数增加就停止并报告前后分数；不要反向 180°。这些约束帮助模型避免常见错误。另外，项目还支持 mock adapter，方便不启动浏览器时测试。
需要注意的坑：不要自己用浏览器打开 snake.html，只有 Playwright 控制的窗口才有效；如果蛇在 LLM 思考时自己动，说明你用的不是 agent-mode 的 HTML，检查默认路径或 SNAKE_HTML 变量；在 WSLg 环境下要设置 HEADED=1 才能看到 Chromium 窗口。
这个项目目前是 MVP，但它的设计对做 AI Agent 的人很有参考价值：把环境改造成“可暂停、可单步”，让 LLM 在闭环中逐步决策，而不是要求它实时响应。这种思路可以迁移到很多场景，比如给 LLM 一个“暂停按钮”来操作外部工具，或者把连续过程离散化成步骤。如果你想做一个通用的游戏 Agent，或者想研究 LLM 在纯观察-行动循环中的表现，Pigame 是个不错的起点。
内容与图片版权归原作者所有 · 原文: https://github.com/ifoxhz/pigame