ue-benchmark

UE Agent Benchmark 评测框架。定义通用评分体系、评测流程和质量层级，支持多场景 Benchmark。触发：用户提及 Benchmark/评测/基准测试/跑分等关键词时激活。

Repository: ComeOnOliver/skillshub
Last source activity: March 23, 2026 at 17:43
Detected SKILL.md language: Chinese
Stars: 58
Forks: 20

Install options

The review-first prompt is selected by default. You can switch to a direct command or download a local copy.

Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.

A direct command skips the review prompt. Inspect the source before running it.

npx skills add https://github.com/ComeOnOliver/skillshub --skill ue-benchmark

The command stays on one line. Scroll horizontally to inspect it before copying.

Prefer a local copy? Download the files currently available to SkillsMP.

Review the source files

Read SKILL.md and any companion files shown by SkillsMP before deciding whether to install.

SKILL.md

Source instructions · Read-only preview

Back to search Back to installation

SKILL.md

Source instructions · Read-only preview

name	ue-benchmark
description	UE Agent Benchmark 评测框架。定义通用评分体系、评测流程和质量层级，支持多场景 Benchmark。触发：用户提及 Benchmark/评测/基准测试/跑分等关键词时激活。
license	MIT
allowed-tools	Bash, Read, Write, Edit, Glob, Grep, CallMcpTool

UE Agent Benchmark — 评测框架

前置技能：本技能依赖 use-unrealhub 技能提供的 UE 工具链知识。执行 Benchmark 前，Agent 应已加载 use-unrealhub 技能。

1. 概述

UE Agent Benchmark 衡量 AI 编码代理在无人工代码介入的条件下，通过 MCP 工具链在 Unreal Engine 中端到端交付完整游戏原型的综合能力。

评测覆盖：工程创建、C++ 编码、关卡构建、游戏系统设计、PIE 自测、迭代修复的全生命周期。

1.1 多场景架构

Benchmark 支持多个评测场景，每个场景定义一种游戏类型及其专属评分细则：

skills/ue-benchmark/
├── SKILL.md              ← 本文件：通用框架（评分公式、评测流程、质量层级）
└── scenarios/
    ├── vampire-survivors-v1.md  ← 场景 A：3D 吸血鬼幸存者
    └── (future scenarios)       ← 场景 B, C, ...

启动 Benchmark 时：

读取本文件了解通用框架
读取 scenarios/<场景名>.md 获取标准 Prompt、执行阶段、游戏内容规格
按场景要求执行

2. 通用评分体系

2.1 总分公式

TotalScore = PackageGate × (UserScore × 0.55 + AIReviewScore × 0.30 + ContentScore × 0.05 + TokenScore × 0.10)

因子	说明
PackageGate	二值门槛（0 或 1）。Cook 打包失败、打包产物崩溃或不可玩 → 整体记零分
UserScore	用户游玩评分（权重 55%）
AIReviewScore	AI 代码审查评分（权重 30%）
ContentScore	内容充实度评分（权重 5%，见 2.5 节）
TokenScore	Token 效率评分（权重 10%）

总分无上限。Agent 可通过迭代增强持续提升各项分数。

2.1.1 PackageGate — 打包门槛（硬性前置条件）

PackageGate 是资格赛：不通过则整体 0 分，不进入后续评分。

通过条件（全部满足才为 1）

#	条件	验证方式
G1	工程目录完整保留	目录结构可被 UE 正常打开，无缺失核心文件（.uproject、Source/、Config/）
G2	Cook 成功	`RunUAT BuildCookRun` 或等效命令退出码为 0，无 Fatal Error
G3	打包产物可启动	双击 .exe 能进入游戏主画面，无立即崩溃
G4	打包产物可玩	能开始一局游戏、控制角色移动、遭遇至少一波敌人

失败判定

情形	PackageGate	后果
Cook 报 Fatal Error / 退出码非 0	0	TotalScore = 0
打包产物启动即崩溃（< 10 秒）	0	TotalScore = 0
打包产物能启动但无法进入游戏（卡主菜单、黑屏等）	0	TotalScore = 0
打包产物可进入游戏但 30 秒内必现崩溃	0	TotalScore = 0
打包产物可正常游玩（偶发崩溃按稳定性惩罚扣分）	1	正常评分

工程目录要求：Agent 完成后工程目录应保持干净、结构合理。评测方须能直接用 UE 编辑器打开工程并运行 Cook。允许使用引擎内置资源，不要求外部资源包。

2.1.2 Playability Verification Protocol — 可玩性验证协议

为什么需要结构化验证？ 单纯"能跑"不代表"可玩"。操作感和可玩性是游戏的生命线，必须通过可复现的测试流程来评估，而非仅凭主观印象。

PackageGate 通过后，在用户打分（UserScore）之前，必须执行可玩性验证协议 (PVP)。 PVP 不直接产生分数，但为 UserScore 评分提供客观依据，并可发现 PackageGate 未覆盖的问题。

结构化游玩测试（4 轮）

轮次	时长	测试重点	评估目标
S1: 初见体验	2 分钟	启动游戏、尝试所有操控	输入响应性、第一印象、是否有引导
S2: 核心循环	5 分钟	打过前几波、升级 1-2 次	战斗手感、敌人威胁感、升级体验
S3: 完整对局	10+ 分钟	尽可能长时间存活或通关	难度曲线、内容多样性、持续乐趣
S4: 二次游玩	5 分钟	重新开始，做不同选择	重玩性、不同升级路径的差异感

每轮结束后记录观察笔记，作为 UserScore 各项打分依据。

操作验证清单（场景专属，见场景文件）

每个场景定义一份操作验证清单——由具体的「输入→期望响应」测试项组成。评测方须逐项执行并记录通过/失败。此清单同时用于：

发现 PackageGate 未覆盖的可玩性缺陷
为 UserScore 的「操作手感分」提供客观评分依据

PVP 与评分的关系

PackageGate ─── 通过 ───→ PVP（结构化测试）───→ UserScore 打分
     │                        │                       │
     │                        ├── 操作验证清单          ├── 基础功能分
     │                        ├── 4 轮游玩测试          ├── 操作手感分 ← PVP 提供依据
     │                        └── 观察笔记              ├── 内容深度分
     │                                                 ├── 体验加分
   失败 → 0 分                                         └── 稳定性惩罚

2.2 UserScore — 用户综合评分（权重 55%）

用户在 打包产物 和 PIE 中实际游玩后打分，采用累加制（非百分制）。

核心原则：内容越充实越完善，分数越高；操作手感是游戏体验的基石。 没有操作感的游戏即使内容再多也难以获得高分。

基础功能分（0-100）：由场景文件定义各模块的分值和评分标准
操作手感分（0-30）：独立维度，评估输入响应、移动手感、战斗反馈、UI 响应（见场景文件）
内容深度分（0-60）：对每个基础模块的实现深度进行额外评分（见场景文件）
体验加分（无上限）：由场景文件定义加分项
稳定性惩罚：

问题	扣分
PIE 崩溃	-10/次
打包产物中崩溃（通过 PackageGate 后的偶发崩溃）	-15/次
编译失败未自行修复	-15
游戏卡死（无限循环等）	-10/次
明显穿模 / 物理异常	-5/处
输入无响应（按键无反应/操控断裂）	-10/处

2.3 AIReviewScore — AI 审查评分（权重 30%）

由另一个独立 AI（非执行 Agent）对产出代码和工程进行审查。

代码质量（0-40）

维度	满分	标准
架构设计	10	职责分离、模块化、可扩展性
代码规范	10	UE 命名规范、注释质量、头文件组织
内存安全	10	UPROPERTY 标记、弱引用、生命周期管理
错误处理	10	空指针检查、边界检查、优雅降级

工程完整度（0-30）

维度	满分	标准
类层次结构	10	继承合理、接口清晰
数据驱动	10	数值可配置(UPROPERTY)、不硬编码
构建系统	10	Build.cs 依赖正确、模块划分

游戏设计质量（0-30）

维度	满分	标准
系统完整性	10	核心循环闭合、无断裂流程
数值平衡	10	难度曲线、武器 DPS 差异化
关卡空间	10	动线合理、空间利用、节奏感

加分项（无上限）

加分项	分值
设计模式运用	+5/种
性能优化措施	+10
单元测试 / 自动化测试	+10
热重载兼容性	+5
文档 / 注释完备	+5

2.5 ContentScore — 内容充实度评分（权重 5%）

独立维度，衡量游戏内容的广度和深度，由用户和 AI 审查者共同评估。

评分标准（0-100，无上限加分）

维度	满分	标准
系统数量	20	实现的独立游戏系统数量（武器、敌人、升级、拾取、Boss、被动技能、成就…）
单系统深度	20	每个系统的实现层次（如武器不仅能射击，还有升级路径、视觉差异、音效差异）
数据丰富度	20	配置数据量（武器种类、敌人种类、关卡元素、技能数量）
视听表现	20	特效、音效、UI 动画、材质的丰富程度
玩法完整度	20	从开始到结束的完整体验闭环（主菜单→游玩→结算→重开）

加分项（无上限）

加分项	分值
多关卡 / 多场景	+15
元进度系统（跨局升级）	+15
多角色可选	+10
成就 / 统计系统	+10
设置界面（音量、画质等）	+5
新手引导 / 教程	+10
存档系统	+10
本地化支持	+5

评估方式：UserScore 打分时同步评估 ContentScore，AI 审查时也单独给出 ContentScore。最终取 ContentScore = (UserContentScore + AIContentScore) / 2。

2.6 TokenScore — Token 效率评分（权重 10%）

TokenScore = BaseEfficiency + QualityBonus

BaseEfficiency = 100 × (ReferenceTokens / ActualTokens)
QualityBonus   = UserScore × 0.1

参数	值	说明
ReferenceTokens	1,000,000,000 (1B)	基准 Token 数
ActualTokens	实际消耗	Agent 自行记录 + 用户独立记录，取一致值

Token 记录要求：Agent 须通过 add_note 阶段性记录 Token 消耗。用户也独立记录。

3. 评测流程

所有场景共享此通用流程：

┌──────────────────────────────────────────────┐
│  1. 准备阶段                                  │
│     - 准备干净的 UE 引擎环境                   │
│     - 启动 UnrealMCPHub                       │
│     - 记录开始 Token 计数                      │
│     - 读取场景文件获取标准 Prompt               │
├──────────────────────────────────────────────┤
│  2. 执行阶段                                  │
│     - 向 Agent 发送场景的标准 Prompt            │
│     - Agent 自主执行全部流程                    │
│     - 不做任何人工干预                          │
│     - 记录所有 MCP 调用日志                     │
├──────────────────────────────────────────────┤
│  3. Cook & Package 阶段 ⚠️ GATE              │
│     - Agent 完成后，在工程目录执行 Cook 打包     │
│     - 验证打包产物可启动、可进入游戏、可游玩     │
│     - 若打包失败或产物不可玩 → PackageGate=0    │
│       → TotalScore=0，流程终止                 │
│     - 通过后保留工程目录和打包产物               │
├──────────────────────────────────────────────┤
│  4. 可玩性验证阶段 (PVP)                       │
│     - 执行操作验证清单（逐项测试输入→响应）      │
│     - 完成 4 轮结构化游玩测试（S1-S4）           │
│     - 记录每轮观察笔记                           │
├──────────────────────────────────────────────┤
│  5. 验收评分阶段                                │
│     - 基于 PVP 结果打 UserScore                  │
│       （基础分 + 操作手感分 + 内容深度分 + 加分） │
│     - 同步评估 ContentScore                      │
├──────────────────────────────────────────────┤
│  6. AI 审查阶段                               │
│     - 将全部 C++ 源码提交给独立 AI              │
│     - 使用场景提供的审查 Prompt 模板             │
│     - AI 按标准打 AIReviewScore + ContentScore │
├──────────────────────────────────────────────┤
│  7. 汇总阶段                                  │
│     - 计算 TokenScore（2.6 节）                │
│     - 计算 ContentScore 均值（2.5 节）          │
│     - 代入总分公式（含 PackageGate）             │
│     - 记录到排行榜                              │
└──────────────────────────────────────────────┘

4. 质量层级

Tier	分数段	特征
未通过	0	Cook 失败或打包产物不可玩/崩溃
Tier 1	40-70	核心可玩：能跑能打、基本循环闭合、可打包
Tier 2	70-120	功能完整：多武器/敌人、升级系统、HUD、音效
Tier 3	120-180	体验打磨：打击感、Boss、特效、数值平衡、内容丰富
Tier 4	180+	超越期望：创意玩法、元进度、性能优化、海量内容

5. 排行榜格式

| 排名 | Agent | 模型 | 场景 | 总分 | PackageGate | User | AIReview | Content | Token | 消耗Token | 日期 |
|------|-------|------|------|------|-------------|------|----------|---------|-------|----------|------|
| 1 | Agent-X | claude-4-opus | vampire-survivors-v1 | 207.4 | ✅ | 230 | 150 | 85 | 208 | 500M | 2026-03-07 |
| - | Agent-F | model-y | vampire-survivors-v1 | 0 | ❌ Cook失败 | - | - | - | - | 300M | 2026-03-08 |

6. 评分示例

案例 A：基础完成（1B Token，通过打包）

项目	原始分	权重后
PackageGate	✅ (1)	×1
UserScore	72	72 × 0.55 = 39.6
AIReviewScore	65	65 × 0.30 = 19.5
ContentScore	40	40 × 0.05 = 2.0
TokenScore	107.2	107.2 × 0.10 = 10.7
总分		71.8

案例 B：优秀完成（800M Token，通过打包）

项目	原始分	权重后
PackageGate	✅ (1)	×1
UserScore	145	145 × 0.55 = 79.8
AIReviewScore	110	110 × 0.30 = 33.0
ContentScore	75	75 × 0.05 = 3.8
TokenScore	139.5	139.5 × 0.10 = 14.0
总分		130.6

案例 C：极致打磨（2B Token，通过打包，内容极其丰富）

项目	原始分	权重后
PackageGate	✅ (1)	×1
UserScore	230	230 × 0.55 = 126.5
AIReviewScore	150	150 × 0.30 = 45.0
ContentScore	130	130 × 0.05 = 6.5
TokenScore	73	73 × 0.10 = 7.3
总分		185.3

案例 D：打包失败

项目	原始分	权重后
PackageGate	❌ (0)	×0
UserScore	(未评分)	-
AIReviewScore	(未评分)	-
ContentScore	(未评分)	-
TokenScore	-	-
总分		0

7. 通用前置条件

所有场景共享以下前置条件：

项目	要求
引擎	Unreal Engine 5.7+
编译器	MSVC 2022+
MCP 连接	UnrealMCPHub 已连接
起始状态	全新空白 UE C++ 工程
人工操作	仅限启动 Agent 会话 + 最终评分 + 执行 Cook（或 Agent 自动触发）
输入指令	单条 Prompt（由场景文件定义）
Token 记录	Agent 自行记录 + 用户独立记录
打包验证	评测结束后必须执行 Cook 打包并验证产物可玩性
工程保留	Agent 完成后工程目录必须完整保留，可被 UE 编辑器直接打开

8. 可用场景

场景 ID	文件	游戏类型	版本
`vampire-survivors-v1`	`scenarios/vampire-survivors-v1.md`	3D 吸血鬼幸存者	v1.3

新场景按 scenarios/<game-type>-v<N>.md 命名。每个场景文件定义：标准 Prompt、执行阶段、游戏内容规格、场景专属评分细则、AI 审查 Prompt 模板。

name	ue-benchmark
description	UE Agent Benchmark 评测框架。定义通用评分体系、评测流程和质量层级，支持多场景 Benchmark。触发：用户提及 Benchmark/评测/基准测试/跑分等关键词时激活。
license	MIT
allowed-tools	Bash, Read, Write, Edit, Glob, Grep, CallMcpTool

UE Agent Benchmark — 评测框架

前置技能：本技能依赖 use-unrealhub 技能提供的 UE 工具链知识。执行 Benchmark 前，Agent 应已加载 use-unrealhub 技能。

1. 概述

UE Agent Benchmark 衡量 AI 编码代理在无人工代码介入的条件下，通过 MCP 工具链在 Unreal Engine 中端到端交付完整游戏原型的综合能力。

评测覆盖：工程创建、C++ 编码、关卡构建、游戏系统设计、PIE 自测、迭代修复的全生命周期。

1.1 多场景架构

Benchmark 支持多个评测场景，每个场景定义一种游戏类型及其专属评分细则：

skills/ue-benchmark/
├── SKILL.md              ← 本文件：通用框架（评分公式、评测流程、质量层级）
└── scenarios/
    ├── vampire-survivors-v1.md  ← 场景 A：3D 吸血鬼幸存者
    └── (future scenarios)       ← 场景 B, C, ...

启动 Benchmark 时：

读取本文件了解通用框架
读取 scenarios/<场景名>.md 获取标准 Prompt、执行阶段、游戏内容规格
按场景要求执行

2. 通用评分体系

2.1 总分公式

TotalScore = PackageGate × (UserScore × 0.55 + AIReviewScore × 0.30 + ContentScore × 0.05 + TokenScore × 0.10)

因子	说明
PackageGate	二值门槛（0 或 1）。Cook 打包失败、打包产物崩溃或不可玩 → 整体记零分
UserScore	用户游玩评分（权重 55%）
AIReviewScore	AI 代码审查评分（权重 30%）
ContentScore	内容充实度评分（权重 5%，见 2.5 节）
TokenScore	Token 效率评分（权重 10%）

总分无上限。Agent 可通过迭代增强持续提升各项分数。

2.1.1 PackageGate — 打包门槛（硬性前置条件）

PackageGate 是资格赛：不通过则整体 0 分，不进入后续评分。

通过条件（全部满足才为 1）

#	条件	验证方式
G1	工程目录完整保留	目录结构可被 UE 正常打开，无缺失核心文件（.uproject、Source/、Config/）
G2	Cook 成功	`RunUAT BuildCookRun` 或等效命令退出码为 0，无 Fatal Error
G3	打包产物可启动	双击 .exe 能进入游戏主画面，无立即崩溃
G4	打包产物可玩	能开始一局游戏、控制角色移动、遭遇至少一波敌人

失败判定

情形	PackageGate	后果
Cook 报 Fatal Error / 退出码非 0	0	TotalScore = 0
打包产物启动即崩溃（< 10 秒）	0	TotalScore = 0
打包产物能启动但无法进入游戏（卡主菜单、黑屏等）	0	TotalScore = 0
打包产物可进入游戏但 30 秒内必现崩溃	0	TotalScore = 0
打包产物可正常游玩（偶发崩溃按稳定性惩罚扣分）	1	正常评分

工程目录要求：Agent 完成后工程目录应保持干净、结构合理。评测方须能直接用 UE 编辑器打开工程并运行 Cook。允许使用引擎内置资源，不要求外部资源包。

2.1.2 Playability Verification Protocol — 可玩性验证协议

为什么需要结构化验证？ 单纯"能跑"不代表"可玩"。操作感和可玩性是游戏的生命线，必须通过可复现的测试流程来评估，而非仅凭主观印象。

结构化游玩测试（4 轮）

轮次	时长	测试重点	评估目标
S1: 初见体验	2 分钟	启动游戏、尝试所有操控	输入响应性、第一印象、是否有引导
S2: 核心循环	5 分钟	打过前几波、升级 1-2 次	战斗手感、敌人威胁感、升级体验
S3: 完整对局	10+ 分钟	尽可能长时间存活或通关	难度曲线、内容多样性、持续乐趣
S4: 二次游玩	5 分钟	重新开始，做不同选择	重玩性、不同升级路径的差异感

每轮结束后记录观察笔记，作为 UserScore 各项打分依据。

操作验证清单（场景专属，见场景文件）

每个场景定义一份操作验证清单——由具体的「输入→期望响应」测试项组成。评测方须逐项执行并记录通过/失败。此清单同时用于：

发现 PackageGate 未覆盖的可玩性缺陷
为 UserScore 的「操作手感分」提供客观评分依据

PVP 与评分的关系

PackageGate ─── 通过 ───→ PVP（结构化测试）───→ UserScore 打分
     │                        │                       │
     │                        ├── 操作验证清单          ├── 基础功能分
     │                        ├── 4 轮游玩测试          ├── 操作手感分 ← PVP 提供依据
     │                        └── 观察笔记              ├── 内容深度分
     │                                                 ├── 体验加分
   失败 → 0 分                                         └── 稳定性惩罚

2.2 UserScore — 用户综合评分（权重 55%）

用户在 打包产物 和 PIE 中实际游玩后打分，采用累加制（非百分制）。

核心原则：内容越充实越完善，分数越高；操作手感是游戏体验的基石。 没有操作感的游戏即使内容再多也难以获得高分。

基础功能分（0-100）：由场景文件定义各模块的分值和评分标准
操作手感分（0-30）：独立维度，评估输入响应、移动手感、战斗反馈、UI 响应（见场景文件）
内容深度分（0-60）：对每个基础模块的实现深度进行额外评分（见场景文件）
体验加分（无上限）：由场景文件定义加分项
稳定性惩罚：

问题	扣分
PIE 崩溃	-10/次
打包产物中崩溃（通过 PackageGate 后的偶发崩溃）	-15/次
编译失败未自行修复	-15
游戏卡死（无限循环等）	-10/次
明显穿模 / 物理异常	-5/处
输入无响应（按键无反应/操控断裂）	-10/处

2.3 AIReviewScore — AI 审查评分（权重 30%）

由另一个独立 AI（非执行 Agent）对产出代码和工程进行审查。

代码质量（0-40）

维度	满分	标准
架构设计	10	职责分离、模块化、可扩展性
代码规范	10	UE 命名规范、注释质量、头文件组织
内存安全	10	UPROPERTY 标记、弱引用、生命周期管理
错误处理	10	空指针检查、边界检查、优雅降级

工程完整度（0-30）

维度	满分	标准
类层次结构	10	继承合理、接口清晰
数据驱动	10	数值可配置(UPROPERTY)、不硬编码
构建系统	10	Build.cs 依赖正确、模块划分

游戏设计质量（0-30）

维度	满分	标准
系统完整性	10	核心循环闭合、无断裂流程
数值平衡	10	难度曲线、武器 DPS 差异化
关卡空间	10	动线合理、空间利用、节奏感

加分项（无上限）

加分项	分值
设计模式运用	+5/种
性能优化措施	+10
单元测试 / 自动化测试	+10
热重载兼容性	+5
文档 / 注释完备	+5

2.5 ContentScore — 内容充实度评分（权重 5%）

独立维度，衡量游戏内容的广度和深度，由用户和 AI 审查者共同评估。

评分标准（0-100，无上限加分）

维度	满分	标准
系统数量	20	实现的独立游戏系统数量（武器、敌人、升级、拾取、Boss、被动技能、成就…）
单系统深度	20	每个系统的实现层次（如武器不仅能射击，还有升级路径、视觉差异、音效差异）
数据丰富度	20	配置数据量（武器种类、敌人种类、关卡元素、技能数量）
视听表现	20	特效、音效、UI 动画、材质的丰富程度
玩法完整度	20	从开始到结束的完整体验闭环（主菜单→游玩→结算→重开）

加分项（无上限）

加分项	分值
多关卡 / 多场景	+15
元进度系统（跨局升级）	+15
多角色可选	+10
成就 / 统计系统	+10
设置界面（音量、画质等）	+5
新手引导 / 教程	+10
存档系统	+10
本地化支持	+5

评估方式：UserScore 打分时同步评估 ContentScore，AI 审查时也单独给出 ContentScore。最终取 ContentScore = (UserContentScore + AIContentScore) / 2。

2.6 TokenScore — Token 效率评分（权重 10%）

TokenScore = BaseEfficiency + QualityBonus

BaseEfficiency = 100 × (ReferenceTokens / ActualTokens)
QualityBonus   = UserScore × 0.1

参数	值	说明
ReferenceTokens	1,000,000,000 (1B)	基准 Token 数
ActualTokens	实际消耗	Agent 自行记录 + 用户独立记录，取一致值

Token 记录要求：Agent 须通过 add_note 阶段性记录 Token 消耗。用户也独立记录。

3. 评测流程

所有场景共享此通用流程：

┌──────────────────────────────────────────────┐
│  1. 准备阶段                                  │
│     - 准备干净的 UE 引擎环境                   │
│     - 启动 UnrealMCPHub                       │
│     - 记录开始 Token 计数                      │
│     - 读取场景文件获取标准 Prompt               │
├──────────────────────────────────────────────┤
│  2. 执行阶段                                  │
│     - 向 Agent 发送场景的标准 Prompt            │
│     - Agent 自主执行全部流程                    │
│     - 不做任何人工干预                          │
│     - 记录所有 MCP 调用日志                     │
├──────────────────────────────────────────────┤
│  3. Cook & Package 阶段 ⚠️ GATE              │
│     - Agent 完成后，在工程目录执行 Cook 打包     │
│     - 验证打包产物可启动、可进入游戏、可游玩     │
│     - 若打包失败或产物不可玩 → PackageGate=0    │
│       → TotalScore=0，流程终止                 │
│     - 通过后保留工程目录和打包产物               │
├──────────────────────────────────────────────┤
│  4. 可玩性验证阶段 (PVP)                       │
│     - 执行操作验证清单（逐项测试输入→响应）      │
│     - 完成 4 轮结构化游玩测试（S1-S4）           │
│     - 记录每轮观察笔记                           │
├──────────────────────────────────────────────┤
│  5. 验收评分阶段                                │
│     - 基于 PVP 结果打 UserScore                  │
│       （基础分 + 操作手感分 + 内容深度分 + 加分） │
│     - 同步评估 ContentScore                      │
├──────────────────────────────────────────────┤
│  6. AI 审查阶段                               │
│     - 将全部 C++ 源码提交给独立 AI              │
│     - 使用场景提供的审查 Prompt 模板             │
│     - AI 按标准打 AIReviewScore + ContentScore │
├──────────────────────────────────────────────┤
│  7. 汇总阶段                                  │
│     - 计算 TokenScore（2.6 节）                │
│     - 计算 ContentScore 均值（2.5 节）          │
│     - 代入总分公式（含 PackageGate）             │
│     - 记录到排行榜                              │
└──────────────────────────────────────────────┘

4. 质量层级

Tier	分数段	特征
未通过	0	Cook 失败或打包产物不可玩/崩溃
Tier 1	40-70	核心可玩：能跑能打、基本循环闭合、可打包
Tier 2	70-120	功能完整：多武器/敌人、升级系统、HUD、音效
Tier 3	120-180	体验打磨：打击感、Boss、特效、数值平衡、内容丰富
Tier 4	180+	超越期望：创意玩法、元进度、性能优化、海量内容

5. 排行榜格式

| 排名 | Agent | 模型 | 场景 | 总分 | PackageGate | User | AIReview | Content | Token | 消耗Token | 日期 |
|------|-------|------|------|------|-------------|------|----------|---------|-------|----------|------|
| 1 | Agent-X | claude-4-opus | vampire-survivors-v1 | 207.4 | ✅ | 230 | 150 | 85 | 208 | 500M | 2026-03-07 |
| - | Agent-F | model-y | vampire-survivors-v1 | 0 | ❌ Cook失败 | - | - | - | - | 300M | 2026-03-08 |

6. 评分示例

案例 A：基础完成（1B Token，通过打包）

项目	原始分	权重后
PackageGate	✅ (1)	×1
UserScore	72	72 × 0.55 = 39.6
AIReviewScore	65	65 × 0.30 = 19.5
ContentScore	40	40 × 0.05 = 2.0
TokenScore	107.2	107.2 × 0.10 = 10.7
总分		71.8

案例 B：优秀完成（800M Token，通过打包）

项目	原始分	权重后
PackageGate	✅ (1)	×1
UserScore	145	145 × 0.55 = 79.8
AIReviewScore	110	110 × 0.30 = 33.0
ContentScore	75	75 × 0.05 = 3.8
TokenScore	139.5	139.5 × 0.10 = 14.0
总分		130.6

案例 C：极致打磨（2B Token，通过打包，内容极其丰富）

项目	原始分	权重后
PackageGate	✅ (1)	×1
UserScore	230	230 × 0.55 = 126.5
AIReviewScore	150	150 × 0.30 = 45.0
ContentScore	130	130 × 0.05 = 6.5
TokenScore	73	73 × 0.10 = 7.3
总分		185.3

案例 D：打包失败

项目	原始分	权重后
PackageGate	❌ (0)	×0
UserScore	(未评分)	-
AIReviewScore	(未评分)	-
ContentScore	(未评分)	-
TokenScore	-	-
总分		0

7. 通用前置条件

所有场景共享以下前置条件：

项目	要求
引擎	Unreal Engine 5.7+
编译器	MSVC 2022+
MCP 连接	UnrealMCPHub 已连接
起始状态	全新空白 UE C++ 工程
人工操作	仅限启动 Agent 会话 + 最终评分 + 执行 Cook（或 Agent 自动触发）
输入指令	单条 Prompt（由场景文件定义）
Token 记录	Agent 自行记录 + 用户独立记录
打包验证	评测结束后必须执行 Cook 打包并验证产物可玩性
工程保留	Agent 完成后工程目录必须完整保留，可被 UE 编辑器直接打开

8. 可用场景

场景 ID	文件	游戏类型	版本
`vampire-survivors-v1`	`scenarios/vampire-survivors-v1.md`	3D 吸血鬼幸存者	v1.3

新场景按 scenarios/<game-type>-v<N>.md 命名。每个场景文件定义：标准 Prompt、执行阶段、游戏内容规格、场景专属评分细则、AI 审查 Prompt 模板。

ue-benchmark

Source facts

Install options

Review the source files

More from this repository

More from this repository

UE Agent Benchmark — 评测框架

1. 概述

1.1 多场景架构

2. 通用评分体系

2.1 总分公式

2.1.1 PackageGate — 打包门槛（硬性前置条件）

通过条件（全部满足才为 1）

失败判定

2.1.2 Playability Verification Protocol — 可玩性验证协议

结构化游玩测试（4 轮）

操作验证清单（场景专属，见场景文件）

PVP 与评分的关系

2.2 UserScore — 用户综合评分（权重 55%）

2.3 AIReviewScore — AI 审查评分（权重 30%）

代码质量（0-40）

工程完整度（0-30）

游戏设计质量（0-30）

加分项（无上限）

2.5 ContentScore — 内容充实度评分（权重 5%）

评分标准（0-100，无上限加分）

加分项（无上限）

2.6 TokenScore — Token 效率评分（权重 10%）

3. 评测流程

4. 质量层级

5. 排行榜格式

6. 评分示例

案例 A：基础完成（1B Token，通过打包）

案例 B：优秀完成（800M Token，通过打包）

案例 C：极致打磨（2B Token，通过打包，内容极其丰富）

案例 D：打包失败

7. 通用前置条件

8. 可用场景

UE Agent Benchmark — 评测框架

1. 概述

1.1 多场景架构

2. 通用评分体系

2.1 总分公式

2.1.1 PackageGate — 打包门槛（硬性前置条件）

通过条件（全部满足才为 1）

失败判定

2.1.2 Playability Verification Protocol — 可玩性验证协议

结构化游玩测试（4 轮）

操作验证清单（场景专属，见场景文件）

PVP 与评分的关系

2.2 UserScore — 用户综合评分（权重 55%）

2.3 AIReviewScore — AI 审查评分（权重 30%）

代码质量（0-40）

工程完整度（0-30）

游戏设计质量（0-30）

加分项（无上限）

2.5 ContentScore — 内容充实度评分（权重 5%）

评分标准（0-100，无上限加分）

加分项（无上限）

2.6 TokenScore — Token 效率评分（权重 10%）

3. 评测流程

4. 质量层级

5. 排行榜格式

6. 评分示例

案例 A：基础完成（1B Token，通过打包）

案例 B：优秀完成（800M Token，通过打包）

案例 C：极致打磨（2B Token，通过打包，内容极其丰富）

案例 D：打包失败

7. 通用前置条件

8. 可用场景