面向增量游戏测试的知识图谱增强型大语言模型
人工智能
2025-11-05 v1
摘要
现代视频游戏的快速迭代和频繁更新，给测试效率和针对性带来了显著挑战。虽然基于大型语言模型 (LLM) 的自动化游戏测试方法显示出前景，但往往缺乏结构化的知识积累机制，难以针对增量游戏更新进行精确且高效的测试。为此，本文提出了 KLPEG 框架。框架构建并维护知识图谱 (KG)，系统性地建模游戏元素、任务依赖关系和因果关系，实现跨版本的知识积累与重用。基于这一基础，框架利用 LLM 解析自然语言更新日志，通过在 KG 上进行多跳推理识别影响范围，实现针对更新的测试用例生成。在两个具有代表性的游戏环境中（Overcooked 和 Minecraft）中的实验表明，KLPEG 能更准确地定位更新影响的功能，并在更少的步骤中完成测试，显著提高了游戏测试的有效性和效率。
引用
@article{arxiv.2511.02534,
title = {Knowledge Graph-enhanced Large Language Model for Incremental Game PlayTesting},
author = {Enhong Mu and Jinyu Cai and Yijun Lu and Mingyue Zhang and Kenji Tei and Jialong Li},
journal= {arXiv preprint arXiv:2511.02534},
year = {2025}
}