Das Problem: Was ist ein „faires" Brett?
Wir spielen regelmäßig zu viert, meistens mit der Erweiterung Städte & Ritter. Beim Legen des Bretts fangen die Diskussionen schon an: Darf Holz direkt neben dem Holz-2:1-Hafen liegen? Dürfen zwei 6er und ein 8er am selben Kreuzpunkt treffen? Und wieso hat jemand vier Felder mit zusammen 18 Punkten, während ein anderer auf 7 sitzt?
Das Standardregelwerk empfiehlt einfach Mischen. Das führt zu schnellen, aber manchmal grottenunfairen Setups. Beim Legen nach Augenmaß entbrennen Debatten.
Was wir eigentlich wollten: ein Brett, das folgende Bedingungen gleichzeitig erfüllt:
- Gleiche Rohstoffe nicht benachbart
- Die „roten" Zahlen 6 und 8 nicht nebeneinander
- Keine gleichen Zahlen auf benachbarten Feldern
- Kein 2 und 12 als Nachbarn (beide Extremwerte zusammen)
- Ausgeglichene Pip-Werte je Rohstoff: Holz, Wolle und Getreide je 9 bis 16 Punkte, Lehm und Erz je 6 bis 13
Das klingt nach viel, ist aber tatsächlich nichts, was man beim Auslegen in zwei Minuten per Hand prüft.
Die Idee: KI soll das lösen
Zu der Zeit hatte Anthropic gerade Fable veröffentlicht, ihr damals neuestes Modell. Ich wollte es ausprobieren, denn ein faires Catan-Brett ist letztlich ein Constraint-Satisfaction-Problem. Genau das sollte einem guten Sprachmodell liegen.
Mein erster Prompt war denkbar einfach:
„Ich möchte ein faires Spielbrett für Siedler von Catan (Städte & Ritter, 4 Spieler) haben. Kannst du mir das erstellen?"
Ich hatte eine kurze Erklärung der Regeln erwartet, vielleicht ein paar Tipps zum Auslegen. Was ich bekam, war etwas anderes.
Aus einem Prompt wird ein Werkzeug
Die KI hat nicht ein Brett beschrieben, sondern eine vollständige Web-App generiert. Eine einzelne HTML-Datei mit eingebettetem CSS und JavaScript, die auf Knopfdruck ein neues, regelkonformes Brett würfelt und es direkt als SVG im Browser zeichnet.
Ich war begeistert.
Die Ausgangsversion konnte bereits:
- 19 Landfelder auf dem klassischen Hexraster platzieren und als SVG rendern
- Ressourcen nach den Basis-Constraints verteilen (keine gleichen Nachbarn)
- Zahlen 2 bis 12 so vergeben, dass keine 6 und 8 benachbart sind
- Die Häfen an den korrekten Positionen des Standard-Rahmens anzeigen
Gemeinsam verfeinert: die Fairness-Regeln
In den folgenden Iterationen haben wir den Generator Schritt für Schritt erweitert. Ich habe beschrieben, was mir noch fehlte, und die KI hat die Logik eingebaut. Das Ergebnis ist ein Generierungsalgorithmus mit zwei Phasen: zuerst werden die Ressourcenfelder verteilt (bis zu 4.000 Versuche, bis keine zwei gleichen Rohstoffe benachbart sind), dann die Zahlen (bis zu 6.000 Versuche, bewertet nach allen Fairness-Kriterien).
Was ich besonders praktisch finde: Jedes Brett bekommt einen Brett-Code, einen kurzen alphanumerischen String wie F-K3M9XQ. Den Code kann man kopieren und in einer späteren Runde laden, um exakt dasselbe Brett wieder zu erzeugen. Praktisch, wenn ein besonders gutes Brett aufgetaucht ist. Außerdem lassen sich die Häfen per Klick direkt im SVG anpassen.
Probier es aus
Der Generator läuft vollständig im Browser, ohne Server, ohne Abhängigkeiten. Ein Klick auf „↻ Neues Brett würfeln" erzeugt ein neues Brett. Mit dem Fairness-Dropdown kannst du zwischen frei (Häfen egal) und streng (Hafen-Constraints aktiv) wählen.
Mach es zu deinem
Die gesamte Logik steckt in einer einzigen, selbst enthaltenen HTML-Datei, ohne Build-Step, ohne Abhängigkeiten. Du kannst sie über die Links oben herunterladen oder direkt im Browser den Quelltext ansehen (Strg+U / Cmd+U).
Weitere Ideen, die sich leicht ergänzen lassen:
- Spielerzahl: Für 3 Spieler ist das 19-Felder-Brett bereits korrekt; für 5 bis 6 Spieler (Erweiterung) müsste das Hexraster auf das größere Seefahrer-Brett angepasst werden.
- Zusätzliche Constraints: Pip-Summen pro Ecke begrenzen, Rohstoffgruppen stärker auseinanderziehen.
- Optik: Farben und Schriften lassen sich im Quelltext oben im Stylesheet-Bereich anpassen.
Fazit
Ich bin mit einem einfachen Wunsch gestartet: ein faires Brett für eine Runde Catan. Was ich bekommen habe, war ein vollständiger Generator, der nach wenigen Iterationen genau das tut, was wir uns vorgestellt haben: faire Bretter auf Knopfdruck, reproduzierbar per Code.
Was mich dabei am meisten überrascht hat: Die KI hat nicht gewartet, bis ich eine fertige Spezifikation hatte. Sie hat aus einem vagen Wunsch einen konkreten Ausgang destilliert und mich dazu gebracht, meine eigenen Anforderungen Schritt für Schritt zu schärfen. Für kleine Tools wie diesen ist diese Arbeitsweise unschlagbar schnell. Wie KI auch bei ernsthaften Entwicklungsaufgaben hilft, zeige ich im Artikel ATC-Prüfungen mit LLM-Unterstützung.
Wenn ihr das nächste Mal einen Streit über die Fairness eures Catan-Bretts habt: Hier ist die Antwort.