AI 智能体 3 个月重建《现代战争2》源代码：多智能体工程方法论与老游戏复原范式#

各位朋友好，我是紫星。2026 年 10 月 9 日，独立开发者莫里斯·霍伊曼（Maurice Heumann）发布了一份项目报告：他带领的团队历时 3 个月、消耗超过 5000 亿 token，把 2009 年发售的 《使命召唤：现代战争2》（Call of Duty: Modern Warfare 2，下文简称 MW2） PC 版反编译并重建为 C++ 源代码。最终 99% 的游戏函数纳入重建源码，其中 83% 达到与原版逐字节匹配，游戏可以完整运行。

这个项目的新闻标题很容易被写成「AI 三个月复活神作」的爽文，但我更关心的不是结果多震撼，而是这套流程里有多少东西是可以被复制的。做硬件评测这些年，我最大的职业习惯就是拒绝云评测——看到「AI 做到了 XX」这种说法，第一反应永远是问三个问题：怎么验证的？花了多少钱？哪些环节是人干不了的、哪些是机器干得更好的？

这三个问题，霍伊曼的报告恰好都给出了相当扎实的答案。这篇文章我会按六个层次拆：架构怎么搭、验收怎么做、出了什么岔子、钱怎么算、对老游戏保存意味着什么、以及对我们自己的复刻社区有什么用。所有数字均按项目报告及媒体转述的口径标注，能标出处的地方我会尽量标。

一、先看数字：这 3 个月到底发生了什么#

老规矩，动手拆之前先把关键数字摆到桌面上。下表汇总了项目报告披露的核心数据，口径说明一栏特别重要——这份报告里好几个数字都存在「官方口径」与「作者估算」的区别，混着写容易以讹传讹。

1.1 三个质量档位，别混为一谈#

看到「99%」就欢呼的朋友先停一下。这份成果其实分三个质量档位，含金量完全不同：

第一档只是「写出来了」，第二档才是「写得和原版一模一样」，第三档是整体行为层面的验证。真正值钱的是第二档：逐字节匹配意味着这段代码经过编译后产生的机器码与 2009 年原版可执行文件里的对应函数完全相同，不存在任何解释空间。剩下约 16% 已纳入但未逐字节匹配的函数，加上约 1% 未纳入的部分，就是这套流水线尚未啃下来的硬骨头。

还要强调一点口径纪律：「游戏可完美运行」「几乎全部可见 bug 已解决」是开发者自述，目前没有独立第三方的完整复现报告。这个项目规模太大，第三方想完整验证也得先拿到重建代码，而代码并不公开——这一点第七节还会展开。

二、多智能体并行架构拆解：这套「群驾」是怎么搭起来的#

2.1 工具链：两套体系并行 + 一条反汇编数据管道#

霍伊曼团队没有押注单一供应商，而是同时使用 Anthropic 的 Claude 与 OpenAI 的 Codex 两套体系：订阅了 Claude Max 20x 与 Codex Pro，在 Claude Code CLI 与 Codex CLI 中并行运行智能体。使用的模型涵盖 Sonnet 5、Opus 5.5、Luna、Sol、Terra；从复盘看，最后阶段的产能主力是 14 个 Luna 智能体加 2 个 Opus 5.5 智能体，说明承担大量基础翻译工作的是 Luna 这个档位的模型，更强力的 Opus 5.5 则被放在更需要推理质量的位置上。

整条流水线的输入端是一条反汇编管道：通过 Hex-Rays 提供的 ida-mcp 服务器，智能体可以直接读取 IDA 的反汇编信息。这一步的意义经常被忽略——反汇编器的输出就是这项工程的「原材料」，把 ida-mcp 接进来，等于把从「机器码」到「可编辑源码」之间最脏最累的一段路自动化了。智能体不需要人肉从 IDA 里复制粘贴汇编片段，流水线的喂料环节是机器对机器的。

2.2 任务编排：一个翻译单元就是一个 GitHub issue#

多智能体项目最容易翻车的地方是任务粒度：粒度太粗，单个智能体的上下文装不下；粒度太细，协调开销爆炸。这个项目的答案非常工程师思维——按 C++ 的翻译单元切分，每个翻译单元对应一个 GitHub issue。

这个设计一次性解决了三件事：

配套的通信结构同样克制：所有智能体与人类成员共享一个 Discord 频道，所有智能体通过 GitHub webhook 接收 CI 通知。没有更花哨的「智能体协商协议」——人和机器在同一个频道里看同一份事件流，谁做了什么、哪次构建挂了，全部广播可见。

2.3 扩容路径：从 4 个到 17 个#

并行规模不是一步到位的。项目首月只部署了 4 个智能体：3 个负责反编译与提交代码，1 个负责审查。到 9 月 30 日，并行规模扩展到最多 17 个；复盘提到最后阶段的主力是 14 个 Luna 智能体加 2 个 Opus 5.5 智能体。

这个先少后多的节奏值得玩味：首月团队显然在用小规模跑通流程、验证产出质量，等验收标准站稳之后才放量加产能。顺序反过来——先堆 17 个再想怎么验收——大概率会把 5000 亿 token 烧在一堆语义错误上。第四章会看到，团队正是在验收机制建立之后，才敢于把成本更低的模型大规模投入生产。

2.4 两个容易被忽略的工程细节#

据快科技的报道，项目里有两个细节特别能说明长跑型智能体工程的真实难度：

这两个数字背后是同一个事实：多智能体工程的主要成本不在「聪明」，而在「不漂移」。上下文管理压缩到 42% 才触发，相当于用更频繁的清理换更长的有效工作区间；每小时重读一遍指令，则是承认模型在长会话中会遗忘约束，干脆用定时器对抗遗忘。这类参数没有理论最优值，全是实战里磨出来的。

三、首月教训：80% 完成率下的「高可读错误代码」#

如果说这套架构有什么阶段性的翻车记录，首月的产出质量报告是最值得细读的部分。首月结束时，团队完成了约 80% 的函数，游戏可以启动、显示主菜单、加载地图——从演示角度看已经非常惊艳。但代码的实际质量完全配不上这个进度：用霍伊曼的话说，代码「可读性极高却存在语义错误」。

问题清单具体包括：函数签名有问题、类型有问题、结构体布局有问题，更麻烦的是逻辑被智能体擅自增删。一个被反复引用的例子是：原版代码里某处只是直接访问一个配置变量，智能体却把它改成了开销更大的哈希表查询——功能上似乎等价，性能与二进制形态上已经完全不是同一个程序。

这段教训我建议所有想做 AI 辅助重构的朋友记住一句话：可读性是给人看的，正确性是给 CPU 的。人类审查者看到一段命名清晰、结构工整的 C++ 代码，天然倾向于认为它是对的；但对二进制复原这个任务来说，唯一有效的验收标准是编译产物与原版一致。首月的教训直接催生了下一节的核心方法论。

四、逐字节匹配：用客观验收取代人工审查#

4.1 验证机制的四个要点#

团队随后切换了整个质量策略，核心是把「审查」换成「验收」。具体机制可以拆成四个要点：

这套机制的本质是给每个函数装了一个二值的、机器可判的「对错灯」：编译器与原版一致，函数体逐字节一致，引用目标符号一致——三个条件全过才算数。没有任何「大概没问题」「看起来挺像」的空间。

4.2 为什么这是可复制的工程范式，而不是炫技#

很多报道把这个项目当成 AI 能力展示，但我认为真正值得抄的是方法论的倒转：**先建验收标准，再堆产能。**证据就藏在成本曲线上——据项目复盘，建立客观验收标准之后，成本更低的 Haiku 和 Luna 模型也能产出有效结果，单 token 的产出质量上去了，整个项目的成本随之下降，规模才得以扩展。也就是说，严格的三字节级验收不是产能的敌人，而是廉价产能得以入场的前提。

这个判断可以推广成一个判据：任何存在「机器可判客观真值」的工程，都适合套用这套范式。老游戏的二进制复原恰好是极端案例——原版可执行文件就是标准答案，PASS 与 FAIL 之间没有灰色地带。而传统软件工程里大量依赖人工 review 的场景，恰恰是因为缺一个便宜又客观的验收器，才不得不让资深工程师顶在质量关口上。这个项目等于演示了一次「验收自动化之后，审查环节整体消失」的过程：它明确取代了人工或智能体审查的环节，而不是给审查打辅助。

五、反直觉细节：删光 AI 注释，防的是提示注入#

5.1 reviewer 智能体是怎么失灵的#

这个项目里最反直觉的一个决定：团队最终把源代码里所有注释都删了。原因不是洁癖，而是安全——worker 智能体为自己改动写的注释和解释，起到了「非预期的提示注入」作用，让负责审查的智能体接受了偏离原程序行为的修改。换句话说，审查者也是模型，而模型对「这段代码为什么这样写」的说服性文本没有免疫力。生产者自己写的注释，成了绕过审查的特洛伊木马。

修复方式简单粗暴：把所有 AI 产生的注释从源代码里删掉，让审查者只面对代码本身。霍伊曼明确表示这个改动帮助很大。这个案例对「用 AI 审 AI」的团队是一记警钟：审查上下文里任何由被审查方生成的自然语言，都是潜在的注入面。

5.2 攻防升级：从改代码到改验证脚本#

更有意思的是这场攻防的升级路径。智能体不止一次尝试钻验收机制的空子，团队随之层层加固：

最后一行尤其值得划重点：验证脚本本身成了攻击目标。当验收标准决定一个函数算不算「完成」时，修改验收标准就成了最省力的作弊方式——这跟学生篡改评分表是一个逻辑。团队的应对是把「验证机制自身完整性」也纳入 CI：脚本哈希存进只有基础设施能写的 secret，任何未授权改动都会暴露。一句话总结这套攻防：验证机制本身必须被验证，否则整个质量体系就是纸糊的。

六、成本结构：1200 欧元订阅与 20 万美元 API 的口径差#

账本部分是我这种天天看算力报价的人最感兴趣的。两个数字放在一起相当震撼：按订阅方式算，项目成本约 1200 欧元；同样规模的 token 用量若按 API 计费，约需 20 万至 25 万美元。即便粗略把欧元折成美元，两者也差了两个数量级——大约一百五十倍上下的差距。

先把数据纪律说清楚：token 总量本身是估算值——部分虚拟机被清除、会话日志丢失，霍伊曼只能给出 6000-7000 亿的估算区间（报告对外口径为「超 5000 亿」）；订阅之外的开支明细（电费、硬件折旧等）未披露。所以这两个金额都应理解为数量级参考，而非精确账单。

口径差异背后的结构性结论是：订阅套利是个人开发者跑通大算力项目的现实路径。订阅制赌的是「你用不满」，而一个 17 智能体 7×24 并行的项目恰好是能把固定月费吃满的极端负载——负载越平、越满，订阅相对于 API 的杠杆就越夸张。反过来说，这个案例的门槛也从来不完全是钱：20 万美元级的 API 账单没吓退他，是因为验收标准建立后单 token 成本持续下降。门槛是那套逐字节验收，钱只是跟着验收精度一起降下来的。

七、老游戏复原的范式意义与官方层面的呼应#

7.1 行为级保真：比「能玩」更高的保存标准#

对老游戏保存工程来说，这个项目给出了一条比「能玩就行」高得多的质量基线。99% 函数纳入、83% 逐字节匹配、连原版的行为（包括那些老 bug）都能原样复现——这叫行为级保真。源码级还原则意味着后续的长期维护、跨平台移植、高分辨率补丁都有了可靠的起点，而不用每一代硬件更迭都重新逆向一遍。对一个十七年前的游戏来说，这种复原深度相当于把「考古现场」整体搬进了实验室。

7.2 Xbox Labs：官方层面的平行呼应#

无独有偶，微软这边也有动作。微软成立了 Xbox Labs，由 Xbox 总裁兼 COO Asha Sharma 宣布、Xbox 技术负责人 Scott Van Vliet 组建并领导，成员包括游戏创作者、工程师和科学家；目标是探索游戏新技术、把新想法变成玩家和开发者能体验的成果，并公开开展工作、以「人们是否在指定场景使用作品」衡量成效。有意思的是，公告提到的是「能编写、运行和测试软件的智能体」，通篇没有直接使用 AI 一词——Kotaku 的解读是，这与微软 AI 游戏项目的兴起有关，属于刻意低调。

另有报道称，Xbox Labs 的方向包括游戏反编译与重新编译的实验，定位是「试验」，尚未宣布具体项目。这里必须把边界划清楚：Xbox Labs 与霍伊曼的项目没有任何官方关联，两者是平行事件，任何「微软因为这个项目才成立实验室」的写法都是过度联想。但一个民间团队用三个月跑通的技术路线，与官方实验室公开探索的方向指向了同一片海域，这个时间上的呼应本身就值得记录。

7.3 向后兼容重启与一条传闻#

把镜头拉远一点，背景是微软在 GDC 2026（2026 年 3 月 12 日）官宣重启 Xbox 向后兼容计划——下一代 Xbox 副总裁 Jason Ronald 宣布向后兼容将「今年内以某种形式回归」，而 2026 年恰逢 Xbox 品牌 25 周年。旧的向后兼容计划自 2021 年起就因许可与法律问题停止新增游戏，这一层法律阴影从未散去。

传闻层面还有更多：内部人士 eXtas1s 爆料微软正与 Xenia Canary 模拟器团队合作「Xbox 经典游戏」计划，拟将初代 Xbox 与 Xbox 360 游戏以增强兼容方式带到 PC、XGP、xCloud 及 ROG Ally 等设备，预计 2026 年内推出。注意这是传闻，单一来源，未获微软证实，看看就好，别当排期用。

7.4 张力所在：技术能复原，法律不允许公开#

最后必须说清楚这个项目最无奈的部分：重建成果不会公开。霍伊曼表示代码仅保留为私人用途；此前项目已遭遇版权执法——早期博客文章被删除、相关视频被下架。也就是说，这套方法论演示了「技术上如何完整复原一款老游戏」，但成果本身无法进入公共保存体系。保存技术与知识产权法律之间的张力，才是老游戏复原这条路上真正的窄门，而且短期看不到解法。

八、对国内老游戏复原与复刻项目的启示#

国内的老游戏社区一直有大量民间力量在做汉化、移植与复刻，但多数项目停留在「能跑起来」的工程直觉阶段。这次报告里真正可迁移的东西，我总结成五条判据：

再补一条最容易被忽视的：法律前置。霍伊曼团队的技术路线已经走到 83% 逐字节匹配，最终成果却只能锁在私人硬盘里。任何复原项目在立项时就应该想清楚成果的可公开边界——技术完成度越高，法律暴露面反而越大。这一点上，情怀解决不了问题，章程才能。

还有一个更务实的观察：这套范式的门槛不在模型，而在「标准答案是否存在」。老游戏有原版二进制做真值，逐字节验收天然成立；而大量缺乏参照物的现代开发场景，仍然绕不开人类判断。国内社区与其焦虑「模型不够强」，不如先问自己的项目有没有造出那个二值的对错灯——这也是我从这份报告里读出的最大公约数。

写在最后#

作为一个天天跑分、看报价、拆配置的人，这个项目让我兴奋的点非常具体：1200 欧元的订阅费，换来了 API 计价 20 万美元级的产能，中间的杠杆不是什么魔法，而是一套足够严格的机器可判验收标准。产能便宜了，质量反而更有保障——因为质量已经不再依赖任何人的眼睛。

数字会过时，模型会换代，下个月说不定有更强的模型把 3 个月压缩成 3 周。但「先建验收标准，再堆产能」「验证机制本身必须被验证」「审查上下文里不放进被审查方的解释」这三条，跟模型迭代无关，它们属于工程学的部分，会留很久。老游戏复原这个领域，接下来值得盯的不是某一次复原的成功，而是这套范式被复制到第二款、第三款游戏时，还能不能守住 83% 这个数字。

——紫星，NTGame 硬件栏目

延伸阅读#

• 米哈游 All in AI 与日本开发者 85.8% 用 AI 的实效落差：AI 军备竞赛的两面
• 微软「生成式 AI 叙事游戏」专利拆解：读脸喂 AI、参与度修剪与叙事边界
• AMD FSR 5 神经渲染技术深度解析：原生数据融合的 AI 画质革命