worldgen/worldplay 开源：用确定性问题世界评测 LLM Agent

jop8281 开源 worldgen 与 worldplay 两个工具，构建可复现的有状态软件世界（如 helpdesk、支付 API）供 Agent 测试，引擎是唯一判分者，LLM 只负责从描述、OpenAPI 或 CSV 生成世界且不改引擎。评测要求参考解得 1 分、不动作得 0 分、所有诱饵与严格前缀低于 1 分并重放哈希一致。仓库含 25 个世界共 95 个任务，最后一次完整 stress-2 评测（2026-10-07，claude-sonnet-5-5）29 例中 22 例符合预期，单次运行 p50 6.4 分钟、$1.27。