P-010 · 2026 Hackathon-Beitrag · Meta Global AI Developer Hackathon

Meta Game Onboarding Optimizer: geschlossene Onboarding-Playtests mit Meta Muse

Ein Projekt für den Meta Global AI Developer Hackathon (Indie-Developer-Track, Thema Build for Your World, 26. Okt.–4. Nov. 2026, Cerebral Valley): Muse-Agenten spielen ein Free-to-Play-Browserspiel, finden Stellen, an denen neue Spieler stecken bleiben, schlagen eine Änderung vor und prüfen sie erst, nachdem ein Mensch sie freigegeben hat. Ich habe dieses Projekt für den Wettbewerb eingereicht; die Gewinner werden am 9. November 2026 bekannt gegeben.

MuseSAM 3.1Multi-AgentPlaytesting

So läuft der Kreislauf

Playtester-Agenten (Muse Spark)Sessions mit Screenshots, Aktionen und Events
Analyst-Agent (SAM 3.1 + Muse Spark)Funnel und priorisierte Reibungspunkte
Designer-Agentvorgeschlagener Config- oder Feature-Patch
Menschliche Freigabenichts wird angewandt, bevor eine Person Ja sagt
Experiment-Agentgepaarter A/B-Rerun von alter und neuer Config, danach ein kurzer Bericht

Das getestete Spiel ist Hearths of the Glen, ein eigener keltischer Dorfbauer aus der Frühen Bronzezeit, der für dieses Projekt gebaut wurde, damit jede Änderung gespielt und nicht nur beschrieben werden kann.

Das Problem

Die ersten Minuten eines Free-to-Play-Spiels entscheiden, ob ein Spieler bleibt. Onboarding-Reibung mit menschlichen Playtests und Funnel-Analysen zu finden, ist langsam und teuer, und jede Änderung braucht eine neue Testrunde. Ich wollte einen Kreislauf, der playtestet, diagnostiziert, eine Änderung vorschlägt, auf einen Menschen wartet und prüft, ob die Änderung geholfen hat.

Vorgehen

Playtester-Agenten nutzen Muse Spark als Computer-Use-Gehirn. Sie sehen den Bildschirm, klicken sich durch das Onboarding und behalten einen kurzen Scratchpad als Arbeitsgedächtnis. Fünf literaturbasierte Personas decken unterschiedliche Spielertypen ab (Rush-Clicker, Story-Guided, Strategist, Tinkerer und Hoarder).

Der Analyst nutzt SAM 3.1, um UI-Elemente in Gameplay-Screenshots zu markieren, und Muse Spark, um über die Session nachzudenken. Er baut einen Onboarding-Funnel und priorisiert Reibungspunkte mit verknüpfter Evidenz, einschließlich einer visuellen Salienz-Notiz distractor-to-goal aus den SAM-Masken.

Der Designer schlägt einen konkreten Onboarding-Config-Patch vor oder macht aus einer Freitext-Feature-Idee ein schema-validiertes Feature-Plugin (Feature Forge), mit einem Emblem von Muse Image oder einem prozeduralen Stub. Kein Patch wird angewandt oder playgetestet, bevor ein Mensch ihn freigibt.

Der Experiment-Agent spielt die Playtester dann auf Baseline und gepatchter Config als gepaarten Vergleich und schreibt einen kurzen Council Report mit klarem Urteil und Side-by-Side-Replay. Bug Hunting liefert eine Diagnose für einen Lauf; Feature Forge liefert ein Urteil für ein eingefrorenes Experiment. Diese beiden Pfade bleiben absichtlich getrennt.

Modelle und Credits

Modell	Rolle im Kreislauf
Muse Spark	Standard-Gehirn der Playtester; Diagnose und verständliche Berichtszusammenfassungen
Muse Wonder	Hilfe beim Bauen; optionales Bot-Gehirn; entwirft Feature-Ideen hinter Ask Muse Wonder
SAM 3.1	Segmentiert Screenshots und markiert echte UI-Ziele für Bot-Klicks und die visuelle Notiz des Analysten
Muse Image	Spielgrafik und Feature-Embleme
Muse Voice Transcribe	Optionale Bot-Ohren für Elder-Sprachzeilen (in den Menüs standardmäßig aus)

Sound und Stimme sind getrennt von Meta: keltischer Soundtrack, Elder-Kaelen-Sprachzeilen, Bot-Persona-Stimmen und Soundeffekte wurden mit ElevenLabs erzeugt und als Audiodateien mitgeliefert.

Credits: Meta-Modelle — Muse Spark, SAM 3.1, Muse Wonder, Muse Voice Transcribe, Muse Image. Playtester-Agenten spielen ein eigenes Browserspiel, suchen Bugs und A/B-testen neue Features über Spieler-Personas. Musik und Stimmen: ElevenLabs (kein Meta-Modell).

Demo ausprobieren

AI Agents Playtest a Game's Onboarding | Meta AI Hackathon

Spielbare Demo folgt in Kürze

Grenzen

Agenten-Playtests sind ein Smoke-Test, kein Sample echter Spieler. Persona-Befunde sind Hypothesen, die mit Menschen geprüft werden sollten. SAM 3.1 markiert erkannte Regionen; es beweist nicht, was ein Mensch bemerken würde. Bot-Think-Aloud ist aufgezeichnete Kommentierung, kein Fenster in versteckte Modellmotive. Laufzeitänderungen sind nur schema-validierte JSON-Patches, und jeder Patch stoppt an der menschlichen Freigabe. Die öffentliche Demo auf Hugging Face nutzt den Demo-Modus ohne Live-Meta-Aufrufe.