Roblox用自家评估框架给提示词造游工具Build打分：示例局工程98、玩测100，设计仅31——能开玩不等于值得再玩。
这几天“一句话生成游戏”的新闻不少，但更稀缺的是平台自己把尺子拿出来量。Roblox 在新闻室长文里公开了 Roblox Build——面向手机优先的自然语言造游工具——的评估办法，并把一条真实提示词从规划走到试玩的分数摊开写。
他们强调：游戏不是单张图或一段代码，而是玩家实时驱动的可执行系统。响应、进度、手感要在交互里才成立，所以不能只看组件对不对。Build 的评估拆成四条信号：游戏规格质量、静态关卡质量（再拆工程与设计两面）、真实输入风格的玩测、以及视觉与体验观感。旁路还记 token、工具调用和耗时，这些不进总分，用来抓“变贵却不变好”的回归。
示例提示词是：“一个真正的3D障碍跑酷，要有起点平台、移动障碍、检查点和终点线。”系统大约八分钟做出名为 Skyforge Ascent 的作品。规格文档拿了91分，扣分点主要是数值常量写死不够、部分验收标准不好证伪。静态检查里，工程镜头给了98分——分段、障碍、服务端权威检查点、坠落复位和界面都齐；设计镜头只给31分——进度、重玩、玩家能动性和独特钩子几乎为零，核心循环线性、跨局变化少。玩测九项全过，按通过率记100；视觉在手机视口上86分，可读、整齐，但仍偏“典型障碍跑酷”而非成品级打磨。
这组分数的信息量，正在于它拒绝把“代码干净”和“好玩”揉成一个含糊均分。官方也用批次评测说明：早期偏2D的集合玩测更高、内容分更低；切到更重的3D集合后，玩测中位下降、内容分略升，但整体仍偏低——单轮提示词很难撑出深度。体裁之间也不一样：机制重的 RPG、射击、竞速更容易卡在可玩性；逻辑简单的生存、模拟经营往往玩测更好，下一关才是画面和界面。
对从业者，这篇材料的价值不在“又一个AI造游DEMO”，而在量产视角：平台已经在用可重复的尺子迭代产品（例如两周内改善对“其实想要3D”的意图理解），并坦白承认当前最大缺口是设计深度，不是“能不能点开玩”。是否推广到工作室自建智能体管线，仍需个案验证；文中分数是 Roblox 自评，证据强度标为官方一手、非独立审计。
原文（Roblox Newsroom）：https://about.roblox.com/newsroom/2026/10/how-roblox-evaluates-build-game-creation