视频世界模型的最新进展使生成愈发逼真且可交互的虚拟环境成为可能，为玩家自定义游戏玩法开辟了新的可能性。智能体框架通过将显式游戏逻辑和可控的世界表征与视觉生成解耦，进一步推动了这一方向的发展。然而，现有方法仅支持简单的游戏场景设定和预定义的运动模式，对未见过的环境和角色泛化能力较弱，且实时交互能力有限。在本文中，我们提出了 Wizard，这是一种基于智能体的游戏世界模型，能够实时、精确地控制角色动作，同时以零样本方式泛化到全新的场景、角色和动作。为实现这一目标，我们构建了一个涵盖 750 个场景和 178 个角色的多样化数据集，并将骨架和几何信息纳入其中，作为结构化表征。我们利用这些表征作为中间代理，为视频生成模型提供条件，并结合自适应掩码机制，改善条件信号与生成的视频序列之间的对齐。此外，我们引入了一个显式维护和更新游戏状态的智能体框架，使玩家能够自由配置虚拟世界，并对角色动作进行细粒度控制，同时保持视觉质量和游戏玩法的一致性。通过将智能体控制与基于结构化代理的生成相结合，我们的框架以实时、可泛化且符合游戏机制的世界模拟，为玩家驱动的游戏创作开辟了新的可能性。