Den 31 juli 2026 gav vi Claude Code en enda prompt: bygg ett action-rollspel i nivå med Morrowind, i Three.js, starta subagenter parallellt, låt en separat hård kritiker jämföra varje del sida vid sida med det riktiga spelet och sluta inte förrän varje kritiker är imponerad. Ingen arkitektur, ingen uppgiftslista, ingen definition av vad som är klart. Bygget pågick i tre dagar; den 10 augusti skrev agenten på vår begäran en utvärdering av sin egen körning. Båda är offentliga: Ashlands är MIT-licensierat och dess utvärderingsrapport lutar medvetet åt det som gick fel – och är agentens egen redogörelse för sin egen körning, värt att minnas för varje siffra nedan.

Prompten följer Gauntlet Loop, metoden Matt Shumer beskrev i How to Run a Gauntlet Loop – ett gatlopp där varje del av arbetet får löpa förbi kritiker om och om igen: kör den i ett agentsystem i stället för i en chatt, formulera målet utan att föreskriva lösningen, ge kritikern en konkret referens att jämföra mot, låt ledaragenten dela upp arbetet i delar som kan bedömas var för sig och låt aldrig en byggare sätta betyg på sitt eget arbete. Andra har kört den sedan dess och spelen de byggde finns samlade på hans sajt, flera av dem riktigt bra.

Uppdraget: ett mål formulerat som ett utfall, som ledaragenten delar upp i delar som kan förbättras och bedömas var för sigmålet, inte planenmåletformulerat som ett utfallingen arkitektur, ingen uppgiftslistaledaragentendelar upp arbetet i delarterränghimmelstridvarje del bedöms för sig16 delsystem bakom varsitt kontraktGatloppet: arbetet löper en korridor mellan två rader kritiker som var och en håller referensen de jämför mot; en kritiker som inte är imponerad skickar tillbaka arbetet till byggaren och utgången är imponeradgatloppetkritikerkritikerbyggarenarbetetimponeradkritikerkritikerinte imponerad: tillbaka till byggareningen referens togs någonsin fram härByggare och kritiker hålls isär: byggaren vet varför den fattade varje beslut, kritikern har färsk kontext, resultatet och referenseningen rättar sin egen läxabyggarenkritikernser varje beslutminns varförförsvarar sitt arbetefärsk kontextser resultatetreferensenbetygsatte sig själv:en annan kritiker:förklarade sig klarfann riktiga felhär hade kritikerna ingen referensvarje omdöme gjordes mot minnet
Gauntlet Loop, efter Matt Shumer (somethingbig.ai): målet formuleras som ett utfall, ledaragenten delar upp det i delar och varje del löper en korridor av kritiker som jämför den mot en referens – en kritiker som inte är imponerad skickar tillbaka arbetet till byggaren. Referenserna är ritade tomma eftersom ingen någonsin togs fram i den här körningen, så varje omdöme gjordes mot agentens eget minne.

Vad som kom ut

Ungefär 94 000 rader TypeScript i 160 filer; sexton delsystem, vart och ett bakom ett namngivet kontrakt; arton uppdrag med dialog, fraktioner, brott och en dagbok; noll binära resurser – terräng, material, himmel, växtlighet, arkitektur, varelser, musik och ljud genereras alla ur kod. Agenten byggde också maskineriet som dömer den: 32 grindkontroller och 17 end-to-end-kontroller som kör en riktig webbläsare. Vid körningens slut föll 1 av 32 grindkontroller, 16 av 16 end-to-end-kontroller gick igenom och spelet gick i 20 till 35 bilder per sekund i den upplösning som bilderna fångades i, på en MacBook Air.

Och det går att spela: du kan vandra i världen, använda färdigheter och slutföra alla arton uppdrag – ett skript driver vart och ett till sista steget utan att fastna. Det som står öppet är bildfrekvensen och den konstnärliga riktningen: en palettkontroll som faller på en vy, trappsteg där vatten möter terräng, fläckighet på avstånd. Inte ett spel som faller ihop – ett ofärdigt.

Vad metoden fick rätt

Kontrakten först: ett namngivet gränssnitt per delsystem som bara kommunicerar genom en händelsebuss, vilket lät subagenter skriva terräng, himmel, strid och ljud samtidigt med nästan inga integrationskonflikter – rapporten kallar det det beslut som mest av allt är skälet till att kodbasen finns. Byggare hålls isär från kritiker: agenter som satte betyg på sitt eget arbete förklarade sig klara, fristående kritiker gjorde det inte. Och negativa resultat som det mest värdefulla en agent lämnade ifrån sig – fyra av slutfasens sex rundor slutade med att en agent gjorde en ändring, mätte den, fann den sämre och tog tillbaka den men behöll mätningen. Var och en av dem stängde ett undersökningsspår för gott.

Vad som gick fel

Uppdragets slutvillkor, en blind jämförelse sida vid sida med det riktiga spelet, inträffade aldrig: inga referensbilder togs någonsin fram, så varje omdöme om att något "slår Morrowind" var en agent som jämförde en bildruta med sitt eget minne – en avvikelse från metoden, vars tredje princip är att ge kritikern något konkret att granska.

Det dyraste felet var inte dålig kod utan självsäkert felaktig diagnos. En utsiktspunkt renderades som ett platt terrakottafärgat svep och tre rundor subagenter skickades till terrängmaterialet, ljussättningen och atmosfären; alla tre mätte rätt, fann ingenting och tog tillbaka sina ändringar. Orsaken var en enda saknad avståndsterm i sökningen efter kameraläge, som hade klättrat upp på närmaste höjd och siktat rakt på toppen: ingen ändring i en shader kan rädda en bildruta utan djup. En andra flerrundig jakt var samma sorts fel.

Varifrån rättelserna kom

Rapporten är agentens röst och den är tunn just där människan var avgörande: vi spelade spelet medan det byggdes och styrde det. Armarna i förstapersonsvy tog ett elvatal rundor. Den 1 augusti (citaten är översatta från engelska): "Vilka hemska armar! Fingrarna pekar åt fel håll och armarna ser ut som rör snarare än riktiga armar." Senare samma dag: "Handen ser ut som en vänsterhand, men spelaren håller svärdet i höger hand." På kvällen jämförde vi det med tidig bildgenerering där hästar hade fem ben och bad om att armen skulle göras om från en bild i stället för att lappas. Den 2 augusti, med en skärmbild: "knogarna ska vara på höger sida av handen, inte på vänster". Sedan: "om du inte får handen rätt den här gången vill jag att du undersöker hur andra gör". Agentens egen sammanfattning den 3 augusti är rakare än rapporten: "Användarens återkoppling var korrekt varje gång och min var det inte."

Med bildfrekvensen gick det likadant: varje subagent ville nå 60 bilder per sekund på en fläktlös dator, ingen kom i närheten och vi kom på varför – flera agenter testade samtidigt, var och en med sin egen webbläsare och grafikkrets, så det som var och en mätte var inte det en spelare skulle se. "Vi gör all utveckling på en MacBook Air. Fps kommer inte att bli perfekt. Dessutom arbetar några andra agenter också. Fortsätt", skrev vi den 1 augusti. Rapporten noterar den kollisionen som ett eget fynd – en systembelastning på 37 på åtta kärnor – och ger "användaren" en enda bisats.

Sedan bad vi om de två saker körningen saknade: "Bygg regressionsgrinden och fundera på hur vi kan gå från ett slumpvandrande arbetsflöde till en tydligt strukturerad och avsiktlig karta över de steg subagenterna behöver ta." Båda finns i kodförrådet nu: grinden som ingen ändring får slås samman utan att ha klarat och en arbetsordning som håller verifieringen till en webbläsare i taget och tillåter en enda ändring av det gemensamma utseendet per runda – en fabrik som kommer inifrån en körning på en enda prompt, två dagar in.

Vad det kostade

Under tre dygn startade körningen 242 subagenter i 34 arbetsflöden – som mest sju samtidigt och aldrig tio. De är kortlivade, i median fyrtio minuter, så totalen växte medan antalet som kördes samtidigt förblev litet: fem eller fler under sjutton av de sjuttiotvå timmarna – trängseln bakom systembelastningen på 37.

Hela körningen: 242 subagenter, en ruta var – 236 av dem inuti 34 arbetsflöden och 6 startade direktunder tre dygn242 agenter236 i 34 arbetsflöden6 startade direktstörsta arbetsflödet: 27 agenteri vågor – aldrig 27 samtidigtSamtidigt: sju agenter som mest, tio nåddes aldrig och fem eller fler levande under sjutton av de sjuttiotvå timmarnasamtidigtsom mest 7nådde aldrig 107 som mest1 augusti – körningens toppnotering5 eller fler17 av 72 timmarav de tre dygnen, 31 juli till 3 augustiså länge levde en agentmedian 40 minlängst 3 h 10vad sju samtidigt kostade datornsystembelastning 37 på 8 kärnor
Två sätt att räkna samma körning. Under tre dygn startade den 242 subagenter – 236 inuti 34 arbetsflöden, 6 startade direkt – men vid varje enskilt tillfälle levde som mest sju och tio nåddes aldrig. Agenterna är kortlivade, i median fyrtio minuter, så en stor total och en liten samtidig skara är samma bild: fem eller fler kördes tillsammans under sjutton av de sjuttiotvå timmarna och den trängseln, där varje agent drev sin egen webbläsare och grafikkrets, är den kollision rapporten noterar som en systembelastning på 37 på åtta kärnor.

De sista sex av de 242 kördes i slutfasen och fem blev klara: ungefär 1,32 miljoner tokens och 654 verktygsanrop på omkring 3,8 timmar, för en skeppad visuell rättning och fyra avslutade utredningar. Den sjätte dog innan den läst en enda fil när kontot slog i veckogränsen för tokens – taket för den här metoden är kvoten och kvoten tar slut utan förvarning. Ungefär en miljon av de tokens gick till den enda utsiktspunkt vars orsak var den saknade avståndstermen.

Slutfasens sex subagenter: deras tokens och vad varje runda gav – en skeppad rättning, fyra avslutade utredningar och en agent som dödades av veckogränsen för tokensslutfasen, sex agenter~3,8 hsvarta silhuetter241kdiagnos; vägrade rätta (fel ägare)sicksackmönster i terräng332korsak utpekad, två försök, båda återtagnagitter per projektion176kskeppade rättningenljus / omgivningsljus332knegativt; hörde till ett annat stegatmosfäriskt perspektiv234knegativt; fann ett fel och ett verktygsfelkantflimmer vid vattnet—dog direkt – veckogränsentotalt~1,32M · 654 anrop1 skeppad rättning, 4 avslutade utredningar~1M av dem gick till en enda bildvars orsak var ett kameraplaceringsfel
Slutfasen, så som utvärderingsrapporten räknar den: sex subagenter varav fem blev klara, ungefär 1,32 miljoner tokens och 654 verktygsanrop på omkring 3,8 timmar, för en skeppad visuell rättning och fyra utredningar som stängdes för gott. Den sjätte dog innan den läst en enda fil när kontot slog i veckogränsen för tokens.

Var loopen passar

Rapportens avslutande resonemang, som den själv märker som åsikt och inte mätning, är att kostnaden för loopen sätts av kritikern och inte av byggaren. Byggarsidan fungerade; det var att döma arbetet som slukade tokens och den här körningen hade nära nog värsta tänkbara kritiker på varje axel. Två frågor förutsäger utfallet bättre än något annat: finns det ett körbart orakel som svarar ja eller nej utan en modells åsikt och pekar en fallerande kontroll ut det som ska rättas? Att porta ett bibliotek, implementera en specifikation, optimera för snabbhet, balansera ett kortspel över hundratusen simulerade matcher – allt ja. En renderare utan referensbilder: nej på båda.

Kritikerns egenskaper: den här körningen mot vad du vill ha – kostnad per omdöme, parallellitet, träffsäkerhet, determinism och utpekad orsakkritikern avgör kostnadenAshlandsvad du vill hakostnad per omdöme30–70 minmillisekunderparallelliteten GPU, i följdobegränsadträffsäkerhetminnesbilderett körbart orakeldeterminismvarierade tills låstbitexaktutpekad orsaknågot av fem stegkontrollen pekar utfinns det ett körbart orakel?pekar en fallerande kontroll ut delen?
Rapportens avslutande resonemang, som den själv märker som åsikt och inte mätning: kostnaden för loopen sätts av kritikern, inte av byggaren. Ashlands hade nära nog värsta tänkbara kritiker på varje axel. Två frågor förutsäger utfallet bättre än något annat – finns det ett körbart orakel och pekar en fallerande kontroll ut det som ska rättas.

Vad vi tar med oss in i fabriken

Vi kör agenter tvärtom – steg, kvalitetsgrindar, ett gemensamt register och en granskning av grundaren innan något publiceras, vilket är så den här sajten byggdes och vad fabriksartikeln beskriver. Den här körningen styrdes och styrningarna finns i kodförrådet: armarna, diagnosen av bildfrekvensen, grinden och kartan över steg. Instrumenten byggdes under loopen av den agent vars arbete de dömde och de hade fel sju gånger. Så, för våra egna körningar: bygg instrumentet först och kalibrera det mot en känd defekt, lägg referensen i kritikerns händer före första rundan och håll kvar en människa där en agent inte kan tala om för dig att den har fel. Kontrakten först, byggare som hålls isär från kritiker och ett rent negativt resultat som ett fullgott svar tar vi som de är.

Metoden är det som fick 94 000 rader att köra över huvud taget och rapporten avslutas med att bygga på den: en omarbetad startprompt för den som vill göra om körningen, där tillägget är hur arbetet ska verifieras – namnge referensen, namnge instrumentet, säg vad ett godkänt resultat är innan första agenten startar. Kör den så och den här körningen hade slutat längre fram.

Morrowind nämns här bara som den designförebild experimentet mätte sig mot; Ashlands innehåller inga resurser från de spelen. The Elder Scrolls och Morrowind är varumärken som tillhör ZeniMax Media.