RuleSmith: 자동 게임 밸런싱을 위한 멀티 에이전트 LLM 프레임워크

RuleSmith: Multi-Agent LLMs for Automated Game Balancing

게임 밸런싱은 반복적인 테스트, 전문가의 직관, 그리고 광범위한 수동 튜닝이 필요한 오랜 과제입니다. 본 연구에서는 멀티 에이전트 LLM의 추론 능력을 활용하여 자동화된 게임 밸런싱을 달성하는 첫 번째 프레임워크인 RuleSmith를 소개합니다. RuleSmith는 게임 엔진, 멀티 에이전트 LLM의 자체 학습, 그리고 다차원 규칙 공간에 대한 베이지안 최적화를 결합합니다. 개념 증명으로, RuleSmith를 CivMini라는 간소화된 문명 스타일 게임에 적용했습니다. CivMini는 다양한 세력, 경제 시스템, 생산 규칙, 전투 메커니즘을 포함하며, 모든 요소는 조정 가능한 파라미터에 의해 제어됩니다. LLM 에이전트는 텍스트 기반 규칙서와 게임 상태를 해석하여 액션을 생성하고, 승률 불균형과 같은 밸런스 지표를 빠르게 평가합니다. 파라미터 공간을 효율적으로 탐색하기 위해, 우리는 베이지안 최적화를 획득 기반의 적응적 샘플링 및 이산 투영과 통합했습니다. 유망한 후보는 정확한 평가를 위해 더 많은 게임 평가를 받고, 탐색적인 후보는 효율적인 탐색을 위해 더 적은 게임 평가를 받습니다. 실험 결과, RuleSmith는 매우 균형 잡힌 구성으로 수렴하며, 해석 가능한 규칙 조정 사항을 제공하여 하위 게임 시스템에 직접 적용할 수 있습니다. 우리의 결과는 LLM 시뮬레이션이 복잡한 멀티 에이전트 환경에서 설계 및 밸런싱을 자동화하는 강력한 대안이 될 수 있음을 보여줍니다.

Game balancing is a longstanding challenge requiring repeated playtesting, expert intuition, and extensive manual tuning. We introduce RuleSmith, the first framework that achieves automated game balancing by leveraging the reasoning capabilities of multi-agent LLMs. It couples a game engine, multi-agent LLMs self-play, and Bayesian optimization operating over a multi-dimensional rule space. As a proof of concept, we instantiate RuleSmith on CivMini, a simplified civilization-style game containing heterogeneous factions, economy systems, production rules, and combat mechanics, all governed by tunable parameters. LLM agents interpret textual rulebooks and game states to generate actions, to conduct fast evaluation of balance metrics such as win-rate disparities. To search the parameter landscape efficiently, we integrate Bayesian optimization with acquisition-based adaptive sampling and discrete projection: promising candidates receive more evaluation games for accurate assessment, while exploratory candidates receive fewer games for efficient exploration. Experiments show that RuleSmith converges to highly balanced configurations and provides interpretable rule adjustments that can be directly applied to downstream game systems. Our results illustrate that LLM simulation can serve as a powerful surrogate for automating design and balancing in complex multi-agent environments.