Η παρούσα διπλωματική εργασία πραγματεύεται την επέκταση της πλατφόρμας RLGame, ενός οικοσυστήματος παιγνιδιού στρατηγικής δύο παικτών που αξιοποιείται ως περιβάλλον πειραματισμού με τεχνικές Τεχνητής Νοημοσύνης με έμφαση στην Ενισχυτική Μάθηση (Reinforcement Learning). Αντικείμενο της εργασίας είναι η μετατροπή της πλατφόρμας από ένα λειτουργικό αλλά τεχνικά απαιτητικό ερευνητικό πρωτότυπο σε ένα πιο προσβάσιμο, υποστηρίξιμο και επεκτάσιμο σύστημα, μέσω της ενσωμάτωσης σύγχρονων τεχνικών Παραγωγικής Τεχνητής Νοημοσύνης και μηχανισμών υποστήριξης χρηστών.

Κεντρική συνεισφορά της εργασίας αποτελεί η ανάπτυξη και ενσωμάτωση Πράκτορα Τεχνητής Νοημοσύνης στη δικτυακή διεπαφή του RLGame. Ο πράκτορας παρέχει δυναμική καθοδήγηση σε φυσική γλώσσα, υποστηρίζοντας τους χρήστες κατά τη χρήση της πλατφόρμας. Η λειτουργία του επεκτείνεται πέρα από την παροχή στατικών οδηγιών, καθώς συνδέεται με επιλεγμένα εργαλεία μέσω του Model Context Protocol, επιτρέποντας ελεγχόμενη εκτέλεση ενεργειών βάσει ρόλων και δικαιωμάτων. Παράλληλα, υλοποιήθηκε ο RLGameLauncher για την απλοποίηση της εγκατάστασης και εκκίνησης των επιμέρους υποσυστημάτων, ενώ προστέθηκαν μηχανισμοί διαχείρισης χρηστών, δομημένης καταγραφής συμβάντων, τηλεμετρίας και συνεργατικής επικοινωνίας μέσω ενσωματωμένων φόρα.

Η αξιολόγηση της υλοποίησης βασίστηκε σε λειτουργικά σενάρια ελέγχου που εξέτασαν την εκκίνηση της πλατφόρμας, τη λειτουργία του πράκτορα ΤΝ, την εκτέλεση εργαλείων MCP, την εφαρμογή δικαιωμάτων χρηστών, καθώς και την παραγωγή καταγραφών και στατιστικών χρήσης. Τα αποτελέσματα επιβεβαίωσαν ότι οι νέες δυνατότητες ενσωματώνονται επιτυχώς στο RLGame, βελτιώνοντας τη χρηστικότητα, τη διαχειρισιμότητα, την παρατηρησιμότητα και τη δυνατότητα μελλοντικής επέκτασης της πλατφόρμας.

This thesis focuses on extending RLGame, a two-player strategy game ecosystem used as an experimental environment for Artificial Intelligence and Reinforcement Learning techniques. The aim of the work is to evolve the platform from a functional yet technically demanding research prototype into a more accessible, maintainable, and extensible system, by integrating modern Generative Artificial Intelligence techniques and user support mechanisms.

The main contribution of the thesis is the design and integration of an Artificial Intelligence Agent into the RLGame web interface. The agent provides dynamic natural language guidance, assisting users during the installation, configuration, and use of the platform. Its functionality is not limited to static instructions; through the Model Context Protocol, it can interact with selected tools and perform controlled actions according to user roles and permissions. In addition, RLGameLauncher was developed to simplify the installation and startup of the platform’s subsystems, while mechanisms for user management, structured logging, telemetry, and collaborative communication through integrated forums were also introduced.

The implementation was evaluated through functional test scenarios covering platform startup, AI agent operation, MCP tool execution, user permission enforcement, and the generation of logs and usage statistics. The results show that the new features are successfully integrated into RLGame, improving the platform’s usability, manageability, observability, and capacity for future extension.