El artículo explora las limitaciones estructurales de los modelos de lenguaje de gran escala (LLM) al trabajar con videojuegos tradicionales, contrastándolas con su eficacia en aplicaciones web. El autor argumenta que los LLM son 'malos' en juegos porque estos sistemas contienen componentes no codificados, como la lógica de física y la gestión de assets, que son opacos para la inteligencia artificial. A diferencia del desarrollo web, donde la estructura es altamente codificada y accesible, los juegos requieren una orquestación compleja de elementos que los LLM no pueden interpretar fácilmente en su estado por defecto.
Para abordar este problema, el texto introduce el concepto de 'harness' (arnés), una metodología para estructurar el código de un juego de manera que sea más legible y manipulable por agentes de IA. El objetivo es permitir una iteración agéntica más rápida, donde el LLM pueda razonar sobre el código, realizar cambios y generar nuevos assets sin perder el contexto del proyecto. El artículo detalla la composición de las llamadas a los LLM, diferenciando entre prompts de sistema, de asistente y de usuario, y explica cómo la acumulación de mensajes previos genera 'contaminación de contexto'. Se recomienda mantener el contexto limpio y centrado en los elementos más recientes para optimizar la interacción. Esta guía es útil para desarrolladores que buscan integrar herramientas de IA en sus flujos de trabajo diarios, superando las limitaciones de las demostraciones de un solo disparo y enfocándose en el desarrollo sostenible de software.