baseline1 (astroseger) — 파일을 편집하는 세계 모델 에이전트

src/agent/workspace_init/world_model_engine.py — 제공되는 스텁 전문 (8줄)

from game_status import RUNNING

def world_model_engine(state: dict, action: dict) -> tuple[dict, str]:
    """Placeholder world-model dynamics."""
    return dict(state), RUNNING

단일 attempt 안의 게임 동역학. 에이전트가 이 스텁을 실제 규칙으로 채운다. state는 "level" 필드가 의무인 dict, action은 name(+ ACTION6일 때 x,y) dict. 반환 status는 RUNNING | LEVEL_COMPLETED | GAME_OVER 셋 중 하나.

입력 → 출력 예시

world_model_engine(
    {"level": 1, "avatar": (12, 40), "lives": 3, ...},   # 에이전트가 정의한 내부 상태
    {"name": "ACTION6", "x": 15, "y": 47},
)
# -> ({"level": 1, "avatar": (15, 47), "lives": 3, ...}, "RUNNING")
# 목표 도달 스텝이면 -> (terminal_state, "LEVEL_COMPLETED")

src/agent/workspace_init/world_model_state_io.py

def initial_state_reconstruction(level_index: int, initial_frame: np.ndarray) -> dict:
    """Placeholder initial-state reconstruction."""
    return {"level": int(level_index)}

레벨의 초기 관측 프레임에서 내부 상태를 복원하는 유일한 진입점. 파일 로딩은 부분관측 레벨의 load_initial_full_frame(level_index) 단 하나만 허용 (main_prompt 원문: “This rule is strict and non-negotiable.”). 이후 임의 시점 상태는 별도 함수가 아니라 “초기 상태 + 엔진으로 액션 재생”으로만 만든다.

입력 → 출력 예시

initial_state_reconstruction(2, frame)   # frame: (64,64) int16, 값 0-15
# -> {"level": 2, "walls": {...}, "avatar": (7, 9), "baseline_lives": 3, ...}
#    (죽음-리셋이 있는 게임이면 fresh-attempt 재구축용 baseline 값도 여기서 심는다)

src/agent/workspace_init/world_model_state_io.py

def state_renderer(state: dict) -> np.ndarray:
    """Placeholder renderer."""
    return np.zeros((64, 64), dtype=np.int16)

def apply_render_overrides(frame, state, level_index, attempt_index, step_count) -> np.ndarray:
    """Verification-only escape hatch for unresolved frame-specific mismatches."""
    return frame

내부 상태 → 기대 ASCII 프레임(64×64 int16). 검증이 이 함수를 통해서만 가능하므로 모델의 “수용 기준”이 곧 렌더러 일치다. apply_render_overrides는 설명 못 한 시각 디테일을 임시로 덮는 최후의 패치 훅인데, 검증기가 이 훅이 프레임을 바꾸면 경고를 출력한다: “treat this as temporary and as a clue to a missing puzzle mechanic”.

입력 → 출력 예시

state_renderer({"level": 1, "avatar": (15, 47), ...})
# -> array([[0,0,...],[...]], dtype=int16)  # shape (64,64), 실측 프레임과 완전 일치해야 통과

src/agent/workspace_init/verify_world_model.py

class VerificationMismatchError(AssertionError):
    """Expected verification mismatch; distinct from world-model implementation failures."""

# 검증 본체: 초기 프레임 렌더 대조 -> 매 스텝 (status, frame) 대조
state, game_status, rendered = _predict_step(state, step, attempt_index, index + 1)
if game_status != step["observed_status"]: _raise_status_mismatch(...)
if not np.array_equal(rendered, step["final_frame"]): _raise_frame_mismatch(...)

레벨 1..N 전 attempt를 재생 검증한다. 프레임이 하나라도 다르면 아티팩트 5종을 저장하고 그 경로를 예외 메시지에 담아 던진다. 전체 검증에 TIMEOUT_SECONDS = 180 제한이 있고 초과하면 “Your world model is too slow, please consider refactoring it.”이 뜬다.

실패 시 출력 예시 (예외 메시지 형식, 소스의 문자열 그대로)

VerificationMismatchError:
Model level 3, replay level 2, attempt 1, replay, step 14: rendered frame mismatch.
real ascii: .../client/session/level_2_attempt_1/step_0014_final.txt
real png: .../step_0014_final.png
simulated ascii: .../mismatch_frames/7/simulated_frame.txt (predicted frame as text)
simulated png: .../mismatch_frames/7/simulated_frame.png (predicted frame rendered)
mismatch region png: .../mismatch_frames/7/mismatch_region.png (localized mismatch neighborhoods)
mismatch as magneta png: .../mismatch_frames/7/mismatch_as_magneta.png (full frame with magenta mismatch pixels)

“magneta”는 소스의 오타를 그대로 옮긴 것이다 — 파일명, 함수명, 메시지 모두 magneta로 일관되게 쓰여 있다.

src/agent/workspace_init/frame_plot_lib.py — MISMATCH_RADIUS = 7, BROWN_RGB = (139, 69, 19), MAGENTA_RGB = (255, 0, 255)

def save_mismatch_region_png_v1(real_frame, predicted_frame, output_png_path, scale=DEFAULT_PNG_SCALE) -> Path:
    # Shows only neighborhoods around mismatch pixels; everything else is plotted in brown,
    # a color outside the game palette. (소스 주석 원문)

def save_mismatch_as_magneta_png_v2(real_frame, predicted_frame, output_png_path, scale=DEFAULT_PNG_SCALE) -> Path:
    # Paints exact mismatch pixels as magenta on the full real frame.

불일치 시각화 두 방식. v1은 불일치 픽셀 반경 7 원 안쪽만 실제 색으로 남기고 나머지를 전부 게임 팔레트 밖의 갈색으로 칠해 “어디가 다른가”에 시선을 고정시킨다. v2는 실제 프레임 위에 불일치 픽셀만 마젠타로 찍는다 — 불일치가 흩어져 있을 때 유용.

입력 → 출력 예시

save_mismatch_region_png_v1(real, predicted, Path("mismatch_frames/7/mismatch_region.png"))
# -> PosixPath('mismatch_frames/7/mismatch_region.png')
#    (불일치 셀 주변 반경 7만 원색, 배경은 갈색(139,69,19)인 PNG)

src/agent/workspace_init/plan_executor.py — main() 핵심 루프 (원문 발췌)

for action in actions:
    predicted_state, predicted_status = world_model_engine(current_state, action)
    predicted_frame = state_renderer(predicted_state) if predicted_status == RUNNING else None
    subprocess.run(_client_command(action), cwd=CLIENT_DIR, check=True)   # 실제 게임에 실행
    ...
    if actual_status != predicted_status:
        raise AssertionError(f"plan_executor.py: status mismatch after {format_action(action)}: ...")
    ...
    if predicted_frame is None or not np.array_equal(predicted_frame, observed_frame):
        _raise_frame_mismatch(...)   # artifacts 저장 후 AssertionError

계획된 액션 열을 모델과 실제 게임 양쪽에서 동시에 실행하는 유일한 통로. 매 스텝 예측을 먼저 확정한 뒤에야 클라이언트를 호출하므로, “예측 없는 실 액션 금지” 규칙이 코드 수준에서 강제된다. RESET은 지원하지 않는다(명시적 거부).

입력 → 출력 예시

$ python3 plan_executor.py ACTION1 ACTION1 '{"name": "ACTION6", "x": 15, "y": 47}'
plan_executor.py: running ACTION1
plan_executor.py: running ACTION1
plan_executor.py: running ACTION6 x=15 y=47
plan_executor.py: sequence executed without mismatch      # 또는 mismatch에서 즉시 중단 + artifact 경로 출력

src/agent/workspace_init/session_tools.py — Attempt / AttemptStep TypedDict (원문)

class Attempt(TypedDict):
    level_index: int;  attempt_index: int;  path: str
    initial_frame: np.ndarray;  initial_metadata: dict[str, Any]
    initial_frame_filename: str;  initial_frame_png_filename: str
    steps: list[AttemptStep];  status: str

class AttemptStep(TypedDict):
    action: dict[str, Any];  final_frame: np.ndarray;  metadata: dict[str, Any]
    final_frame_filename: str;  final_frame_png_filename: str
    intermediate_frame_filenames: list[str];  intermediate_frame_png_filenames: list[str]
    observed_status: str

클라이언트가 client/session/level_<N>_attempt_<A>/에 남긴 기록(스텝별 metadata JSON + ASCII/PNG 프레임)을 읽어 구조화한다. ASCII 프레임은 한 글자 = 16진수 한 자리로 파싱된다(int(char, 16) → int16 배열). 이것이 검증기와 상태 복원의 유일한 데이터 소스다.

입력 → 출력 예시

read_all_attempts_for_level(2)
# -> [ {"level_index": 2, "attempt_index": 1, "status": "GAME_OVER",
#      "initial_frame": array(64x64), "steps": [ {"action": {"name": "ACTION1"},
#      "final_frame": array(64x64), "observed_status": "RUNNING", ...}, ...]}, ... ]

src/agent/workspace_init/world_model_main_planner.py — 스텁 전문

def planner(state: dict) -> list[dict] | None:
    """Placeholder planner."""
    return None

내부 세계 모델 상태에서 레벨 완료까지의 액션 열을 찾는다. 못 찾으면 None. run_main_planner.py는 반환된 계획을 반드시 엔진으로 재시뮬레이션해서 LEVEL_COMPLETED에 도달하는지 자체 검증한다(도달 못 하면 AssertionError) — “모델 밖 플래닝 금지”가 여기서도 코드로 강제된다. 보조 플래너는 planner(state, goal=None) 형태로 goal dict를 받을 수 있다.

입력 → 출력 예시

planner({"level": 1, "avatar": (12, 40), ...})
# -> [{"name": "ACTION1"}, {"name": "ACTION1"}, {"name": "ACTION6", "x": 15, "y": 47}]
# 도달 불가면 -> None