最近，大型语言模型在网页前端执行方面展现出惊人能力，基于浏览器的游戏生成成为热点。
以往工作多依赖复杂的多轮工作流或仅评估静态游戏，而本研究聚焦于由编码代理直接进行端到端的真实游戏合成。
直接从简短用户查询生成复杂游戏会导致代理做出未定义假设，产生机制不完整、玩法脱节、视觉效果有限等问题。
为解决此问题，本文提出 GameGo，一个可扩展框架，将简短游戏种子系统化转化为符合行业实践的产品需求文档（PRD），在保留核心玩法约束的同时，通过任务特定的动态压缩提升信息密度而不限制设计探索。
基于该流水线，构建了 GameGoData，包含 55,060 条 2D、2.5D、3D 游戏开发轨迹，并推出 GameGoBench，收录 124 条多样化游戏查询。
在 GameGoData 上训练的 GameGoCoder 在游戏开发基准上超越相同规模基线，并与前沿模型持平。
代码、数据集和模型将全部公开。
点评：GameGo 通过将简短创意压缩进行业级 PRD，实现了高信息密度的指令传递，为 LLM 驱动的游戏开发提供了可扩展且实用的路径。