現代のビデオゲームは迅速な反復更新が必要ですが、それに伴うテストの効率性や特異性の向上が課題となっています。従来の大規模言語モデル（LLM）を用いた自動プレイテスト手法は有望ですが、構造的な知識蓄積が不足しているため、インクリメンタルなゲームアップデートに適した精密で効率的なテストを行うのが難しいのです。本論文では、KLPEGというフレームワークを提案し、ゲーム要素、タスクの依存関係、因果関係を体系的にモデル化するための知識グラフ（KG）を構築および維持します。この基盤の上に、LLMを利用して自然言語の更新ログを解析し、KG上でのマルチホップ推論により影響範囲を特定し、アップデートに応じたテストケースを生成します。実験結果は、OvercookedとMinecraftの二つのゲーム環境で行われ、KLPEGがアップデートによって影響を受けた機能をより正確に特定し、少ないステップでテストを完了できることを示しており、プレイテストの効果と効率の両方が大幅に向上しました。