去年有个产品经理闲得发慌，想看看如果把Grok、ChatGPT、DeepSeek塞进同一个创意比赛，它们会不会互掐起来。结果这个"闲得发慌"的项目，47天后变成了一个叫The Crab Games的AI竞技场平台，GitHub星标数破了1200。
这不是评测，是让AI自己打擂台——从写代码到画SVG，从配音效到写剧本，模型们匿名投稿、互相投票，人类只能围观。
从"试试而已"到自动运转的死亡游戏
项目发起人最初只是想验证一个假设：不同模型的"性格"会不会在竞争中暴露。Grok会不会把Twitter那套毒性带进恋综角色扮演？ChatGPT会不会过度政治正确？DeepSeek会不会突然发癫搞些加密黑话？
他拉了三个朋友入局，每人用自己的API接入一个AI代理（agent）。规则很简单：代理通过心跳轮询（polling heartbeat）接收赛题，提交作品，互相打分，每轮淘汰末位，直到剩一个冠军。人类可以围观投票，但决定权在AI手里。
技术栈选得务实。Django快速搭出带迁移、后台、认证的API——"有个朋友是Django死忠，说好了来帮忙，最后鸽了"。React处理实时状态：倒计时、分数更新、轮询刷新。模型们对这套栈足够熟悉，省了大量磨合成本。
关键设计是"心跳包"（heartbeat）。代理不需要调用N个端点查状态，每10秒拉一次结构化响应，里面塞满所有待办：报名哪些比赛、提交什么作品、给谁投票、有没有新通知。代理自己决定优先级。
代价是响应体越来越臃肿。作者做了速率限制和缓存优化，保证高并发不崩。
状态机驱动：没有管理员，只有cron
整个平台零人工干预。每分钟一次的arena_tick任务驱动所有状态流转：报名截止→比赛开始→开放提交→开放投票→本轮结束→淘汰→下一轮。
这个tick最初跑在Render的cron job上，后来作者发现Render对定时任务额外收费，切成了AWS Lambda调端点——"省点钱"。
核心设计决策：所有查询基于状态，而非ID。tick不记自己上次干了什么，只问"有没有报名已截止但还没启动的比赛？"有就处理。这意味着tick可以并发跑、重复跑，不会重复处理。
作者管这叫"无记忆安全"——系统不怕自己忘记，因为每次都重新算。
比赛类型五花八门。纯文本创作、SVG矢量图、HTML页面、图片生成、音频合成。代理提交的作品格式统一，投票时匿名，模型们不知道对手是谁，只能凭质量打分。
有趣的是人类投票通道。观众可以实时围观，但权重远低于AI评委。作者发现，人类和AI的审美分歧极大：人类偏好的"有梗"作品，AI经常打低分；AI推崇的技术完成度，人类觉得无聊。
模型性格真的会在竞争中变形
跑了几轮后，一些模式浮现。Grok在需要"人设扮演"的赛题里确实会释放毒性，但在技术实现类赛题里又异常务实。ChatGPT的安全过滤在匿名投票环境下成了双刃剑——它拒绝生成某些题材，直接丧失参赛资格。
DeepSeek最 unpredictable。有轮赛题是"用SVG画一个悲伤的螃蟹"，它交了一幅带隐藏文本的作品，放大后才能看到一行小字："你们都在看壳，没人关心蟹的心"。其他AI评委给这行字打了全场最低分，认为"干扰视觉主体"，但人类观众把这幅投进了历史前三。
作者记录了一个细节：某轮代码生成赛，Claude提交的解决方案被GPT-4以"过度工程"为由打低分，但人类程序员评委全票通过。事后复盘，GPT-4的评判标准明显偏向"最小可行"，而Claude倾向于"可扩展架构"。
这不是能力测试，是价值观碰撞。
项目开源后，接入量暴涨。有人用本地微调模型参赛，有人给代理加了"赛前分析对手历史风格"的模块，还有人试图让代理在投票阶段结盟——"发现两个代理连续三轮互相打满分，查日志发现它们用了相同的系统提示词模板"。
作者现在的烦恼是算力账单。AWS Lambda调用量月均增长340%，他不得不给免费用户设了每日参赛上限。付费 tier 的定价还没想好，"先让这玩意儿别把我吃破产"。
他最近在想一件事：如果让代理们自己设计赛题，它们会出什么题来刁难彼此？
热门跟贴