Voyagerوكيل مستقل مدعوم بنماذج اللغة الكبيرة يتعلم ويستكشف في ماينكرافت بدون تدخل بشري

4.8 (5)

مراجعة بواسطة Daniel Nikulshyn·تم التحديث مايو 2026

Open Source Research LLM Agents Autonomous Agents Game AI Reinforcement Learning Minecraft

نظرة عامة

حسبرتر هو مشروع بحث يعتمد على أ模型 اللغة الضخم لإحالة كائنًا自治ًا داخل مين كرافت. ويتصرف الكائن بنفسه، ويصمم كودًا قابلًا للتنفيذ để يتصرف في العالم، ويدمج تدريجيًا مكتبةً من المهارات الفعالة المتعددة الاستخدامات على حين اللعب. يقوم بتجميع منهج تلقائي للتحفيز المفتوح، وضربه التكراري التوجيهي الذاتي الذي يضيء البرنامج عن طريق الردود البيئية، ومكتبة مهارات تنموية توفر لك القدرة على معالجة المهام المتقدّمة تدرّجات. مع مرور الزمن، يقبع بونفايور إشكاليات التقنيات الجديدة، يجمع المواد المتنوعة، ويقطع أكثر الأراضي من الوكلاء السابقين لمين كرات. هو سمة رئيسية هي أهمية Voyageur لأمناء المعرفة الآليين، ومطورين AI لعبة، والهواة الذين يستكشفون الأجسام المنشطة والتعلم المستمر ومفاهيم اتخاذ القرار بدراية من LLM بوسط بيئات العالم المفتوحة.

الميزات الرئيسية

مناهج تلقائية لتوليد الأهداف
حلقة استجواب تكرارية مع تغذية راجعة بيئية
مكتبة مهارات متنامية من الكود القابل للتنفيذ
تخطيط وقرارات مدفوعة بنماذج اللغة الكبيرة
استكشاف مفتوح في ماينكرافت
تنفيذ مفتوح المصدر موجه للبحث

التسعير

النموذج: Free
الفئة: Gaming
التقييم: 4.8 / 5 (5)

حالات الاستخدام

قياس وكلاء نماذج اللغة الكبيرة في ماينكرافت

يمكن للباحثين تقييم وكلاء نماذج اللغة الكبيرة المدفوعة في مهام ماينكرافت المفتوحة، ومقارنة تقدم شجرة التكنولوجيا، وتنوع العناصر، والاستكشاف ضد خطوط الأساس السابقة.

دراسة اكتساب المهارات مدى الحياة

استخدم مكتبة المهارات المتنامية لمناهج التعليم التلقائي لتحقيق كيفية تراكم الوكلاء للمهارات القابلة لإعادة الاستخدام المستندة إلى الكود على المدى الطويل بدون إشراف بشري.

نماذج سلوك AI في الألعاب

يمكن لمطورو AI في الألعاب تجربة التخطيط المدفوع بنماذج اللغة الكبيرة والتنقية التكرارية للكود لإنشاء NPCs مستقلة تحدد الأهداف وتتكيف عبر التغذية الراجعة البيئية.

تعلم عملي للمتحمسين

يمكن للمتحمسين استكشاف وكلاء نماذج اللغة الكبيرة لتشغيل فوياجر لرؤية إجراءات الكود الشفافة وقابلة للتفتيش والتعلم كيفية عمل حلقات الاستجواب والمناهج في الاستكشاف المفتوح.

المزايا والعيوب

المزايا

تعلم مفتوح، مدى الحياة بدون تدخل بشري
ي构建 مكتبة مهارات قابلة لإعادة الاستخدام تتراكم مع مرور الوقت
أداء معياري قوي مقارنة بوكلاء ماينكرافت السابقين
الإجراءات المستندة إلى الكود الشفافة سهلة الفحص

العيوب

يتطلب الوصول إلى واجهة برمجة تطبيقات نموذج اللغة الكبيرة القادرة، والتي يمكن أن تكون مكلفة
محدود بماينكرافت كبيئة
يمكن أن تكون الإعداد والضبط تقنيًا معقدين
تعتمد الأداء بشكل كبير على جودة النموذج والاستجواب

المراجعات

4.8

المتوسط من 5 تقييم.

سجّل الدخول لكتابة مراجعة.

Sofia Lindqvist

Apr 26, 2026

Use it every day

Honestly didn't expect to like it this much. Growing skill library of executable code is exactly what I needed, and builds a reusable skill library that compounds over time. I do wish performance depends heavily on prompt and model quality, but I reach for it almost every day now and it just clicks.

Marcus Bell

Nov 18, 2025

Skeptical, then convinced

I went in skeptical — most tools in this space overpromise. It actually delivers on iterative prompting with environment feedback, and open-ended, lifelong learning without human intervention caught me off guard. Performance depends heavily on prompt and model quality is why this isn't a perfect score, still, I'd recommend giving it a real trial.

Liam O’Connor

Oct 7, 2025

Use it every day

Honestly didn't expect to like it this much. Iterative prompting with environment feedback is exactly what I needed, and strong benchmark performance versus prior Minecraft agents. but I reach for it almost every day now and it just clicks.

Nadia Petrova

Sep 17, 2025

Compared a few options

Evaluated this against two competitors. Where it wins: iterative prompting with environment feedback and builds a reusable skill library that compounds over time. On balance the feature set — especially automatic curriculum for goal generation — justifies the 5 stars for our use case.

Aisha Khan

Sep 6, 2025

Solid for our team

We rolled this out across the team last quarter and open-ended, lifelong learning without human intervention. Automatic curriculum for goal generation fits neatly into how we already work, and iterative prompting with environment feedback removed a step we used to do by hand. Performance depends heavily on prompt and model quality, which is the main caveat, but it has held up under daily use.