Files

T

cabinwandClaude Opus 5 c760c23fd1 feat(bench): agent bench session core and CLI

Let any agent with a shell play a level the way a person does: look at the
board, decide what to tap or which way to turn, read the feedback, decide
again. Every step carries the agent's own reason, so a human can watch and
judge the level from how it was played.

observe() returns what the eye sees — each piece's drawn route, which cells it
crosses, who is sitting on it, and who it brushes past — never "which pieces
can leave". act() goes through the real Game rules; metrics() scores the run
afterwards with the solver.

Pieces are wide, so a route with nobody standing on it can still be blocked by
a neighbour the curve hugs. That is invisible in a cell listing, so every
obstacle is reported, on-route and grazing alike: reporting only the leading
one hid the rest, and in 113 of 581 such cases clearing the blocker sprang a
collision the agent had never been shown.

AGENT.md is the single file an agent reads — rules, board reading, commands,
rating scale, worked example.

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

2026-09-14 14:00:33 +08:00

9.5 KiB

Raw Blame History

给 Agent：来玩一关 HEX TRAILS

你现在是一名玩家，不是程序员。 读完这个文件就直接开始，不需要再读任何别的文档。

你要像人一样玩一关六角轨道解谜：看盘、决定点哪枚或转哪边、看反馈、再决定。有人会在网页上实时看着你操作，所以每一步都要写清楚你为什么这么做。

禁止：读 src/ 下的任何文件、读 levels.json、读 runs/ 里的存档、调用求解器、写脚本或循环批量执行、修改任何文件。你和棋盘之间只有 node scripts/bench.mjs 这一个命令——你知道的必须全部来自它打印给你的东西。绕过它就等于作弊，这一局的数据也就废了。

第一步：开一局

node scripts/bench.mjs start --model=<你的模型> --agent="<你的运行环境 · 模式>" --level=1 --persona=tapper --no-rules

请如实报告你自己是谁——观察页会把这两项显示在棋盘正上方，人类靠它知道现在是谁在玩：

--model：你的模型标识符，例如 claude-opus-5、grok-4.6、deepseek-flash、gpt-5。不确定就写最接近的。
--agent：你运行在哪、开了什么模式，一句话，例如 Claude Code · ultracode、Grok Build CLI、Codex · high reasoning、dsh web。包含任何你认为影响自己表现的配置（推理强度、是否联网、是否有思考预算）。不知道就写 harness 名字。
--level：关号，不指定就是第 1 关。node scripts/bench.mjs list 可以看有哪些关。
--persona：tapper（试错型，默认）/ reader（读盘型）/ turner（转盘型）/ novice（新手）。按这个风格玩。

命令会打印两样东西，都要留意：

局名（形如 grok-4.6-L1-tapper）——后面每一条命令都要带 --run=<那个局名>，原样抄，别自己改。
观察页地址——把那一行原样转告人类，他们能实时看你玩。

规则（30 秒）

棋盘上画着轨道。点一枚棋子，它沿自己箭头所指的那条轨道一路走，直到走出棋盘边缘——这就是离场。
路上撞到别的棋子就退回原位，什么都不扣。棋子有宽度，擦到紧挨着的棋子也算撞。
旋转底盘：整块棋盘连轨道转 60°，棋子的位置和箭头不动——所以每枚棋子接上的是另一条轨道，所有路线全变。左右转免费、可撤销，转 6 次回到原样。
目标：让所有棋子离场。没有失败——移走一枚棋子只会让别的路更通，不会把谁困住，所以不存在"点错一步就死"。有步数预算（默认 80 步）。

你会看到什么

最重要的是这一段——每枚棋子当前的路线，就是人眼在屏幕上看到的那条线：

每枚棋子当前的路线（箭头出发 → 依次经过的格 → 出界/闭环；[tX] = 那格上压着棋子 tX）：
  t5 @ -2,4 ↙：就在边上，直接出界（0 格）· 路上没有棋子
  t0 @ 4,-4 ↖：3,-4 → 2,-4[t9] → 1,-3 → 0,-3 → 出界（4 格 · 1 弯）· 路上有 t9
  t2 @ 0,-2 ↙：-1,-1 → -2,0 → -3,1 → -4,2 → 出界（4 格 · 0 弯）· 路上没有棋子，但紧贴 t7（会擦到）
  t1 @ 3,-1 ↓：3,0[t6] → 2,1 → 1,2 → 出界（3 格 · 1 弯）· 路上有 t6，另外紧贴 t4（会擦到）
  t3 @ 2,2 ↗：3,1 → 3,0 → 2,1 → 2,2 → 闭环（4 格 · 2 弯）· 路上没有棋子

你看到	意味着
`→ 出界 · 路上没有棋子`	点它就能走
`2,-4[t9] … 路上有 t9`	被 t9 压着，先让 t9 走
`但紧贴 t7（会擦到）`	棋子有宽度，线从 t7 身边擦过去，点了会被挡；同样先让 t7 走
`路上有 t6，另外紧贴 t4`	两个都挡着，t6 和 t4 都清掉这枚才能走
`→ 闭环`	这条轨道绕回来了，当前朝向出不去，只有旋转能改变它

坐标 q,r 只是格子的名字，不需要做坐标运算。

这一行把挡住它的棋子全部列全了——路上压着的和身边擦到的都在里面。要让这枚走，得把列出来的全部清掉；反过来，只要这一行说「路上没有棋子」且没有「紧贴」，点它就一定能走。

怎么玩得好

先点路上没有棋子、不紧贴谁、能出界的。
有 [tX] 或 紧贴 tX 的，先解决 tX；tX 也被挡就顺着往下找，先解最外层。
一枚都走不了（每条路都被压着/擦着、或都是闭环）→ 旋转。转完所有路线都变，必须重新看盘。
转一次没打开出口，不代表这一关无解。 有些关要转 2–3 次、甚至换个方向转，出口才出现。转到没见过的朝向去，别在同一个朝向反复点。
每一步都算预算。有把握再点，不确定就先看清楚。

第二步：反复出招

像人一样连点：看清一次盘面，就把有把握的几步用逗号一起提交，不要每点一枚重新读一遍。

node scripts/bench.mjs act --run=<局名> tap t4, tap t5, tap t8, rotate right --note="三枚路上没人，清完就转"

一次最多 8 个动作。链会在第一个没成功的动作和任何一次旋转之后自动停下，并打印新盘面——所以不会闭眼连点到错的地方。
动作：tap tX · rotate right / rotate left · undo · giveup 原因
--note 必填，一句话说明你为什么这么做。这是人类唯一能看到的你的想法。
只想再看一次盘面：node scripts/bench.mjs observe --run=<局名>

如果你觉得这一关无解，不要硬撑，用 act --run=<局名> giveup 我认为无解，因为…… 说明你卡在哪、试过什么。诚实地放弃比勉强通关更有价值——我们正是要找出让人觉得无解的关卡。预算用完局也会自动结束，同样要评分。

命令报错了怎么办

报错	原因	怎么办
`没有这局：X（先 start）`	`--run` 写错了	用 start 打印的那个局名，原样抄
`无效：没有棋子 tX`	棋子 id 记错，或它已经离场	先 `observe` 重新看一遍当前有哪些棋子
`act 需要：tap ID \| rotate …`	动作写法不对	只有 `tap tX` / `rotate left\|right` / `undo` / `giveup 理由` 四种
`X 已存在`	局名重复	不要自己指定 `--run`，让 start 自动生成

报错不扣步数，改对了重发就行。

第三步：评分（必做）

清盘、放弃或预算用完之后：

node scripts/bench.mjs rate --run=<局名> --json='{"clarity":4,"rotation":3,"stuck":2,"fun":3,"difficulty":3,"worst":"第 6 步点 t2 被 t7 擦碰挡住，路线上看不出来"}'

键	问题	1	3	5
`clarity`	路线看得清吗	完全看不清	大致能读	一眼看清
`rotation`	旋转有意义吗	随便转都行/没用	有点用	每次转都是关键决定
`stuck`	有没有觉得无解的时刻	从未	卡过一会儿	长时间以为无解
`fun`	好玩吗	无聊	还行	很好玩
`difficulty`	难度是否合适	太简单	刚刚好	太难
`worst`	最困惑的一步是第几步、为什么	一句话

注意 difficulty 是两头都不好：3 分是最佳，1 和 5 都是问题。

请诚实评分，尤其 rotation 和 stuck——我们正是要用这两项判断关卡好不好，一律给高分帮不上忙。

rate 会打印本局统计和回放链接。最后用两三句话向人类汇报：局名、状态（cleared / gave-up / budget）、步数、决策次数、最困惑的一步。

完整示例

$ node scripts/bench.mjs start --model=grok-4.6 --agent="Grok Build CLI" --level=1 --persona=tapper --no-rules
开始 grok-4.6-L1-tapper · 关卡 proto-d5-switchback-r4-s6 · 人设 tapper · 模型 grok-4.6 · Grok Build CLI · 预算 80 步
观察页（人类实时观看）：http://localhost:4173/labs/bench/index.html?run=grok-4.6-L1-tapper&live=1
后续命令都用 --run=grok-4.6-L1-tapper
…盘面…

$ node scripts/bench.mjs act --run=grok-4.6-L1-tapper tap t4, tap t5, tap t8 --note="三枚路上没人也不紧贴谁"
点击 t4 → 离场（走了 1 格、0 个弯）
点击 t5 → 离场（走了 1 格、0 个弯）
点击 t8 → 离场（走了 3 格、1 个弯）
…新盘面…

$ node scripts/bench.mjs act --run=grok-4.6-L1-tapper rotate right --note="剩下的互相压着或闭环，一枚都走不了"
右转 → 底盘转到朝向 1，4 枚棋子的出口打开了
（旋转后盘面已变，后面的动作没有执行）
…新盘面…

$ node scripts/bench.mjs rate --run=grok-4.6-L1-tapper --json='{"clarity":4,"rotation":3,"stuck":1,"fun":3,"difficulty":3,"worst":"…"}'
本局：cleared · 15 步 · 4 次决策 · 空点 0（擦碰 0）· 旋转 3/3 · 耗时 82.3 s
回放：http://localhost:4173/labs/bench/index.html?run=grok-4.6-L1-tapper

其它命令（一般用不到）

命令	作用
`node scripts/bench.mjs list`	列出本组关卡
`node scripts/bench.mjs status --run=X`	回看自己走过的每一步
`node scripts/bench.mjs metrics --run=X`	本局指标
`node scripts/bench.mjs open --run=X`	起服务并打开观察页
`--format=full`	观察时额外打印每格的端口配对表（读长路线时才需要）
`--set=<关卡文件>`	换一组关卡；`start` 和 `list` 都支持

要玩多关就重复第一步到第三步，每关一个新局，--level 换成下一关。不要写循环一次跑完——一次一关，一次一个决定。

9.5 KiB Raw Blame History Unescape Escape