agentleFS
openaigamesopenaigames/OpenAIGamesDesigner/skills/game-prototype-validation/SKILL.md

game-prototype-validation

Skill24 starsChanged 28 days agoMITView on GitHub

游戏测试与体验验证:覆盖五阶段的设计依据、机制实验、制作品质、内容整体体验与接收交付,执行适用的试玩、回归和验收并解释真实证据;支持局部变更与历史复盘。不虚构执行、用户认可或通过结果。

The file

Files
SKILL.md

Risk & Assumption List 风险与验证

保留旧 Skill 名称,验证职责覆盖全部阶段与单独专业任务。按起止阶段、对象和交付范围选择检查,阶段外工作不误标通过;现有成果按依赖核对,缺证据不自动要求全项目重做。技术事实、专业判断和用户决定分别保存。新问题推翻旧结论时更新当前摘要、关联受影响验证,历史版本和独立有效结果保留。

验证发现的问题先记录适用版本、证据和判断,再关联负责的策划、美术或技术修改;测试失败不自动授权重设计。修订后保留旧证据并注明复测范围,文档修订不能把未复测项标为通过。 跨方向工作按 变更联动 关联同一变更入口并更新管理摘要;仅安装本 Skill 时沿用项目现有变更记录,缺少管理 Skill 不阻塞本专业工作。

新作风险验证入口预先建立;计划、实际执行、未验证与中断分别记录。交付前核对任务、里程碑和管理入口是否链接本次证据并更新状态。新作运行收尾检查,不能只在聊天宣称测试通过而文件仍写“完成后补充”;具体检查见管理 Skill 的项目文件约定。

进入执行或解释结果时按问题选择:实验设计用于体验假设与原因区分;数值与时序用于规则、概率和动作窗口;视听验收用于源文件、导入及动态表现;性能验证用于采样与瓶颈;里程碑评审用于原型、切片及交付取舍。只读取相关方法,不将所有专项检查作为每个小任务的门槛。

导航、移动交互、界面和教学问题使用 可用性与学习验证,记录操作者经验、行为与提示干预。模型或自动操作可以检查功能,不冒充初次玩家的理解、学习和舒适度证据。

地图按 地图规划与迭代 从当前玩家活动选择试验区域、起始状态和观察项,覆盖当前任务受影响的空间与规则;不把同一组路线或对抗指标套给所有关卡。草图静态检查、估算、软件输入和实际玩家体验分别记录,结论限于已测范围;需要多人对抗结论时取得相应样本。沿用既有阶段与授权,局部修改只回归相关依赖。

验证战斗动作、技能、敌人或相关资产变更时,按需读取 战斗验证,按实际规则选择功能、时序、表现与联网检查,不强制套用所有项目类型。

收到原型、切片或功能任务的实际运行记录时,读取 运行证据与阶段评审,核对结果适用版本,分别报告功能、体验、视听品质和阶段取舍。

新作初期使用 references/outputs.md。已有功能或资产变更、缺陷修复、实际试玩、原型及垂直切片验收时读取 变更验证与回归。验证范围由改动和风险决定,不默认重做原型或重新立项。

维护 Risk & Assumption List.md 或项目已有的风险、测试与实验记录。先判断当前任务是提出假设、设计实验、执行实验、解释已有结果,还是对现有作品做逆向复盘。初期使用 风险与实验指导,已有变更使用回归参考,让证据回答一个具体决策。

汇总策划、美术与技术三侧假设,形成「假设 → 风险 → Prototype」对应表。Risk & Assumption List 初期只需要足以指导下一步验证的深度,不要求马上准备完整实验执行包。美术延期是未决事项,不自动等于阻塞性风险。

假设与实验

  • 从设计、美术和技术文档提取可支持或否定的判断,关联体验支柱或系统关系。区分功能正确、性能可行、视觉可读、玩家体验与市场表现,它们不能互相证明。
  • 按失败影响、不确定性和取证成本排序,不编造概率或精确风险分数。先补会改变规则理解的事实缺口,再检验体验解释。
  • 最小范围须保留回答问题需要的因果链。例如测试收获是否激发下一次目标,不能只实现一次射击。初期只列验证方向;进入实施规划时再列范围、不做内容、依赖、步骤、观察标准、资源上限与停止条件;不要自动把完整游戏文档缩成这一范围。
  • 技术试验注明构建、硬件、负载与指标口径;体验试验注明参与者条件、任务、观察行为和提示干预。没有数据不填任意满意度门槛,探索性研究允许结论不确定。
  • 仅被要求计划时交付可执行计划;已授权实施才使用可用工具并记录实际操作。没有工程或工具时说明待执行部分,不把计划标为完成。

逆向复盘

区分三层:公开历史信号、基于信号提出的解释、未来拟做的观察/等效实验。开发者说做过调整不能证明调整效果;补丁记录说明特定历史问题,不说明当前仍存在,也不等于本次已复测。发售、销量或好评不能单独验证某个设计机制的因果作用。

未取得原始 MVP、预算、排期和实验记录时明确未知,不倒推出开发历史。若记录系统有 scope / outOfScope / resources 字段,标明是在记录历史未知,还是限定未来等效实验;不得将后者混写成原作首版范围。原作未知信息是取证缺口,不要求用户替原团队选择。

证据与交付

实施后的风险入口按 风险与证据更新 关联风险、判断标准、实际结果及下一步,不只汇总“若干测试通过”。对当前任务交付同时复核受影响文档能否解释实际规则、资产与工程;结构检查通过不能替代内容核对,也不能推定没有记录的行为已验证。

真实记录包含资料版本、构建/环境、操作、观察、日志或录屏位置与限制。分别判断“符合本次标准”和“支持假设”,允许不支持、失败或证据不足。结论指出继续、调整、补测或停止的依据,重大取舍沿用用户授权;模型不填写批准记录。

默认维护 Risk & Assumption List.md 或现有风险/测试记录,实际证据使用真实路径。同步已有项目管理入口的验证摘要、待办和下一步,不生成或启动看板。资料变更后保留历史证据并标明适用性;重复实验新增记录,不覆盖失败历史。用户指定的记录系统时遵守其字段范围,实验计划不能记成已执行实验。没有真实文件不生成假链接,也不把阅读公开文本记为亲自试玩。

验证涉及资产时,按 资产生产登记与交付检查 把执行范围、结果和证据更新同一权威清单,并核对资产及使用方版本。记录完整度通过不代表未检查的视听品质通过。

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.