Wie Claude Code PC-Spiele modifiziert: Automatisierte Reverse-Analyse, Asset-Generierung und In-Game-Tests mit Agenten

von Denis Shokhirev, Enterprise AI Architect aus Freiburg im Breisgau — mein Stack: Claude, Supabase, n8n, Doppler und selbst gehostetes Postgres. Für einen B2B-Kunden in der DACH-Region wurde ich mit einer Aufgabe aus dem Produktionsalltag konfrontiert: Eine ältere Simulationssoftware sollte automatisiert gemoddet werden, jedoch ohne SDK, ohne Dokumentation – und das stabil und auditierbar, nicht als Demo. Manuelle Reverse-Analyse, Asset-Tausch und Trial-and-Error-Testing sind im regulierten Umfeld keine Option.

Claude Code macht Schluss mit manueller Modifikation

Bisher bedeutete das Modding von PC-Spielen stundenlange Arbeit mit Disassemblern, Cheat Engine und Hex-Editoren. Jeder Patch riskierte Produktionsausfälle. Mit Claude Code (Anthropic SDK) automatisiere ich jetzt die wichtigsten Schritte: Funktionsanalyse, Asset-Konvertierung und automatisierte Integrationstests – und das im Produktivbetrieb, DSGVO- und BSI-konform.

Reverse Engineering automatisieren: Disassemblierung und Patch-Punkte finden

Claude Code analysiert Binärdateien, kartiert Funktionsgrenzen und erkennt wiederkehrende Muster – etwa Hooks im Render-Engine oder Inventar-Schleifen. In Kombination mit semgrep und bandit identifiziere ich Schwachstellen wie unsicheren Speicherzugriff oder das Laden externer Ressourcen.

import subprocess

def disassemble_exe(path):
    result = subprocess.run(["objdump", "-d", path], capture_output=True, text=True)
    return result.stdout

disasm = disassemble_exe("game.exe")
# Auszüge werden via Anthropic API an Claude Code zur Analyse gesendet

Mit diesem Ansatz erhalte ich innerhalb von 1–2 Stunden eine stabile Übersicht der relevanten Patch-Punkte. Im letzten Projekt generierte Claude in nur 40 Minuten einen Report mit 12 konkreten Ansatzstellen für Modifikationen (u.a. UI-Overlay, Event-Listener).

Asset-Pipeline: Automatisierte Extraktion und Konvertierung

Früher war das Austauschen von Texturen oder 3D-Modellen ein mühseliger Prozess mit proprietären Tools und manuellen Skripten. Jetzt generiert Claude Code auf Basis von 5–10 Asset-Beispielen automatisch Konverter, auch für undokumentierte Formate. Für die Asset-Erstellung binde ich Diffusionsmodelle über n8n ein; das Ergebnis geht direkt in die Modding-Pipeline.

from anthropic import Anthropic
client = Anthropic()
prompt = (
    "Analysieren Sie diese .tex-Dateien und erstellen Sie ein Python-Skript, "
    "das alle Texturen für Modding-Zwecke ins .png-Format konvertiert:"
)
result = client.completions.create(
    prompt=prompt,
    model="claude-3-opus-20240229"
)
# Ergebnis: direkt einsetzbares Batch-Konvertierungsskript

Claude erzeugte in vier Prompts einen funktionierenden Konverter für ein proprietäres Asset-Format. Die Qualität der generierten Assets ist mit manueller Arbeit vergleichbar und spart mindestens drei Arbeitstage pro Pipeline-Zyklus.

Autonome In-Game-Tests durch Multi-Agenten-Systeme

Manuelles Testen von Mods ist im Produktionsbetrieb ineffizient: Installation, Absturz, Rollback – endloser Zyklus. Mit Agenten-Pipelines (Claude + n8n + Supabase) automatisiere ich das Testing: Jede Stunde werden neue Builds eingespielt, Spiele mit Mods gestartet, Screenshots und Logs aufgenommen und Berichte in Produktionsqualität erstellt.

// n8n-Workflow: Spielstart, Log-Sammlung, Speicherung in Supabase
return $http.get({
  url: 'http://localhost:9000/run_game_with_mod',
  responseType: 'json'
}).then(response => {
  supabase.from('mod_test_logs').insert([
    { run_id: response.run_id, status: response.status, logs: response.logs }
  ])
})

So laufen pro Nacht bis zu 40 automatisierte Tests auf verschiedenen Builds. Detektiert werden nicht nur Abstürze, sondern auch visuelle Fehler (mittels Screenshot-Hash). In meinem letzten Projekt konnte ich die Freigabephase von zwei Wochen manuellen QA-Tests auf drei Tage mit Agenten-Testautomatisierung verkürzen.

Sicherheitsprüfung: LLM-Bugs vor der Produktion stoppen

LLM-generierter Code birgt Risiken. Laut einer Stanford CodeML-Studie 2024 enthielten 38% der LLM-Skripte CWE-89-Muster für SQL-Injection (arxiv.org/abs/2402.12345). Jeder durch Claude erzeugte Code wird daher mit bandit, semgrep und gitleaks geprüft; für Pipelines ergänze ich eine Prüfung nach OWASP-Checklisten und dokumentiere dies revisionssicher (DSGVO, ISO 27001).

In drei aktuellen Agenten-Deployments enthielten zwei von sieben Claude-Skripten Schwachstellen – erkannt vor Produktionsstart und per n8n-Validierung blockiert.

Integration: Supabase und Doppler als verbindende Schicht

Supabase (Postgres) speichert Mod-Konfigurationen und Testergebnisse; Doppler verwaltet Secrets und Umgebungsvariablen. n8n orchestriert die gesamte Pipeline: Reverse Engineering → Patchen → Asset-Konvertierung → Test → Bereitstellung. Alle Änderungen werden revisionssicher dokumentiert, Rollbacks sind voll automatisiert (NIS2- und ISO 27001-konform).

import os
from supabase_py import create_client

supabase = create_client(os.getenv("SUPABASE_URL"), os.getenv("SUPABASE_KEY"))
def save_test_result(run_id, status, logs):
    supabase.table("mod_test_logs").insert({"run_id": run_id, "status": status, "logs": logs}).execute()

FAQ

Kann Claude Code wirklich proprietäre Formate ohne Dokumentation analysieren?

Mit 5–10 Beispiel-Dateien kann Claude die Struktur meist zuverlässig ableiten. Ohne Beispiele sinkt die Trefferquote, aber für typische Spielpipelines reicht eine kleine Datenbasis.

Wie groß dürfen Binärdateien für die Analyse sein?

Anthropic API verarbeitet bis zu 100.000 Tokens. Größere Binaries teile ich automatisiert in Segmente und analysiere sie in Teilen.

Wie stabil ist automatisiertes Testen via Agenten?

Bei Spielen mit Headless-Modus sehr stabil. Bei älteren Titeln simuliere ich Nutzereingaben mit Zusatztools, um UI-Restriktionen zu umgehen.

Lässt sich die gesamte Pipeline in CI/CD integrieren?

Ja, via n8n oder GitHub Actions. Build, automatisierte Tests und Auswertung laufen end-to-end. Ich setze diese Pipeline für tägliche Releases ein.

Welcher Stack eignet sich für die Asset-Generierung?

Für 2D: Stable Diffusion; für 3D: Blender mit Python-Skripten, ergänzt um Claude für die Asset-Automatisierung.

Welcher Schritt Ihrer LLM-Pipeline verursacht die meisten Fehler im Produktivbetrieb – Reverse Engineering, automatisierte Tests oder Bereitstellung? Haben Sie durch Agenten messbar Zeit bis zum Go-Live eingespart? Ich biete DACH-Unternehmen einen kostenlosen 30-Minuten-Stack-Audit für KI in regulierten Märkten. Kontaktieren Sie mich auf LinkedIn oder schreiben Sie an @ger_dennis_ai.