Vis HN: Jeg lærte LLM-er å spille Magic: The Gathering mot hverandre

\u003ch2\u003eVis HN: Jeg lærte LLM-er å spille Magic: The Gathering mot hverandre\u003c/h2\u003e

\u003cp\u003e Dette Hacker News "Show HN"-innlegget presenterer et innovativt prosjekt eller verktøy laget av utviklere for fellesskapet. Innleveringen representerer teknisk innovasjon og problemløsning i praksis.\u003c/p\u003e

\u003ch3\u003eProsjekthøydepunkter\u003c/h3\u003e

\u003cp\u003eNøkkelaspekter som gjør dette prosjektet bemerkelsesverdig:\u003c/p\u003e

\u003cul\u003e

\u003cli\u003eÅpen kildekode-tilnærming som fremmer samarbeid\u003c/li\u003e

\u003cli\u003ePraktisk løsning på problemer i den virkelige verden\u003c/li\u003e

\u003cli\u003eTeknisk innovasjon innen programvareutvikling\u003c/li\u003e

\u003cli\u003e Fellesskapsengasjement og tilbakemeldingsdrevet forbedring\u003c/li\u003e

\u003c/ul\u003e

\u003ch3\u003eTeknisk betydning\u003c/h3\u003e

\u003cp\u003eDenne typen prosjekt demonstrerer kraften i fellesskapsdrevet utvikling og den kontinuerlige utviklingen av tekniske løsninger gjennom samarbeid.\u003c/p\u003e

Ofte stilte spørsmål

Hvordan forstår LLM-er de komplekse reglene for Magic: The Gathering?

LLM-er blir bedt om med strukturerte representasjoner av spilltilstanden, inkludert kort i hånden, slagmark, kirkegård og tilgjengelig mana. Modellen resonnerer gjennom rettslige handlinger ved å bruke sin naturlige språkforståelse av korttekst. Mens LLM-er iboende ikke "kjenner" MTG-reglene, styrer nøye konstruerte spørsmål og regelsammendrag deres beslutningstaking. Resultatet er agenter som kan navigere i kortinteraksjoner, bekjempe matematikk og prioriterte vinduer – selv om konsistensen varierer betydelig mellom modeller og kortstokkarketyper.

Hvilken LLM presterte best til å spille Magic: The Gathering?

Resultatene varierer etter spillfase og kortstokkkompleksitet, men større resonnementfokuserte modeller utkonkurrerer generelt mindre i flertrinns beslutningstrær som kamp. Modeller med sterkere instruksjonsfølelse har en tendens til å gjøre færre ulovlige trekk. Dette gjenspeiler funn på tvers av forskning på kompleks AI-spill – rå kapasitet betyr mindre enn strukturert resonnement. Hvis du bygger AI-drevne verktøy som dette for din egen plattform, kan løsninger som Mewayz (207 moduler, $19/md) akselerere utviklingen uten å starte fra bunnen av.

Kan dette prosjektet utvides til andre samlekortspill som Pokémon eller Yu-Gi-Oh?

Ja – kjernearkitekturen for å kode spilltilstand som strukturert tekst og spørre en LLM for handlingsvalg er spillagnostisk. Tilpasning av det krever omskriving av regellaget, parsing av kortdatabase og forespørselsmaler for målspillet. Åpen kildekode-naturen til dette prosjektet gjør det enkelt å dele og utvide det. Utviklere som ønsker å bygge og lansere slike verktøy raskt kan utforske plattformer som Mewayz, som tilbyr 207 klare til bruk moduler for $19/måned for å støtte rask prototyping og distribusjon.

Hva er hovedbegrensningene ved å bruke LLM-er som spillagenter?

De største begrensningene er latens, kostnad per slutning og inkonsistens – LLM-er kan gjøre ulovlige trekk eller strategisk dårlige valg, spesielt i lange spill med store håndstørrelser. De mangler også vedvarende minne på tvers av svinger med mindre den fullstendige spillloggen mates på nytt hver forespørsel, noe som øker bruken av token betydelig. Disse utfordringene gjør LLM-spillagenter bedre egnet for forskning og demoer enn produksjonskonkurranse, i det minste inntil slutningskostnadene og påliteligheten forbedres betydelig.

{"@context":"https:\/\/schema.org","@type":"FAQPage","mainEntity":[{"@type":"Question","name":"Hvordan forstår LLM-er de komplekse reglene for Magic: The Gathering?","acceptedAnswer":{"@type":"Svar","M-strukturer er inkl.": i hånden, slagmarken, gravplassen og tilgjengelig mana. Modellen begrunner gjennom juridiske handlinger ved å bruke sin naturlige språkforståelse av korttekst

Frequently Asked Questions

How do LLMs understand the complex rules of Magic: The Gathering?

LLMs are prompted with structured representations of the game state, including cards in hand, battlefield, graveyard, and available mana. The model reasons through legal actions using its natural language understanding of card text. While LLMs don't inherently "know" MTG rules, carefully engineered prompts and rule summaries guide their decision-making. The result is agents that can navigate card interactions, combat math, and priority windows — though consistency varies significantly between models and deck archetypes.

Which LLM performed best at playing Magic: The Gathering?

Results vary by game phase and deck complexity, but larger reasoning-focused models generally outperform smaller ones in multi-step decision trees like combat. Models with stronger instruction-following tend to make fewer illegal moves. This mirrors findings across complex game AI research — raw capability matters less than structured reasoning. If you're building AI-powered tools like this for your own platform, solutions like Mewayz (207 modules, $19/mo) can accelerate development without starting from scratch.

Can this project be extended to other trading card games like Pokémon or Yu-Gi-Oh?

Yes — the core architecture of encoding game state as structured text and querying an LLM for action selection is game-agnostic. Adapting it requires rewriting the rules layer, card database parsing, and prompt templates for the target game. The open-source nature of this project makes forking and extending it straightforward. Developers looking to build and launch such tools quickly might explore platforms like Mewayz, which offers 207 ready-to-use modules for $19/month to support rapid prototyping and deployment.

What are the main limitations of using LLMs as game-playing agents?

The biggest limitations are latency, cost per inference, and inconsistency — LLMs can make illegal moves or strategically poor choices, especially in long games with large hand sizes. They also lack persistent memory across turns unless the full game log is re-fed each prompt, which increases token usage substantially. These challenges make LLM game agents better suited for research and demos than production competitive play, at least until inference costs and reliability improve significantly.

Related Posts

• Eksponeringssimulator
• Vis HN: CodeRLM – Tree-sitter-støttet kodeindeksering for LLM-agenter
• Vis HN: Musikalsk Intervalltrener
• Det manglende sifferet til Stela C