VoyagerLLM-powerený autonomní agent, který se učí a prozkoumává Minecraft bez lidského vstupu.

4.8 (5)

Recenzováno Daniel Nikulshyn·Aktualizováno květen 2026

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

Přehled

Voyager je výzkumný projekt, který využívá velké jazykové modely k řízení autonomního agenta uvnitř Minecraftu. Agent si stanovuje自己的 cíle, píše spustitelný kód pro jednání ve světě a postupně buduje knihovnu opětovně použitelných dovedností, jakmile hraje. Kombinuje automatický kurzus pro otevřené prozkoumávání, iterativní smyčku pro zadávání, která rafinuje kód prostřednictvím zpětné vazby prostředí, a rostoucí knihovnu dovedností, která umožňuje agentovi zvládat postupně složitější úkoly. V průběhu času Voyager odemyká nové milníky technologického stromu, shromažďuje rozmanité předměty a přechází více terénu než předchozí agenti Minecraftu. Voyager je primárně zajímavý pro výzkumníky AI, vývojáře herní AI a hobbyisty, kteří prozkoumávají vtělené agenty, celoživotní učení a rozhodování poháněné LLM ve světě s otevřeným světem.

Klíčové funkce

Automatický kurzus pro generování cílů
Iterativní zadávání se zpětnou vazbou prostředí
Rostoucí knihovna igenovatelného kódu
LLM-powerečné plánování a uvažování
Otevřené prozkoumávání v Minecraftu
Výzkumná, open-source implementace

Ceník

Model: Free
Kategorie: Gaming
Hodnocení: 4.8 / 5 (5)

Případy užití

Porovnání LLM agentů v Minecraftu

Výzkumníci mohou hodnotit LLM-poháněné autonomous agenty v otevřených Minecraft úkolech, porovnávají pokrok technologického stromu, rozmanitost předmětů a prozkoumávání proti předchozím základním údajům.

Studie celoživotního získávání dovedností

Pomocí Voyagerovy rostoucí knihovny dovedností a automatického kurzusu lze prozkoumat, jak agenti hromadí opětovně použitelné kódové dovednosti po dlouhou dobu bez lidského dohledu.

Prototyp herních AI chování

Vývojáři herní AI mohou experimentovat s LLM-poháněným plánováním a iterativní rafinací kódu, aby vytvořili autonomní NPC, kteří stanovují cíle a přizpůsobují se prostřednictvím zpětné vazby prostředí.

Ruční učení pro hobbyisty

Hobbyisté, kteří prozkoumávají LLM agenty, mohou spustit Voyager, aby viděli průhledné, prozkoumatelné kódové akce a naučili se, jak smyčky pro zadávání a kurzusy pohánějí otevřené prozkoumávání.

Pro a proti

Pro

Otevřené, celoživotní učení bez lidského zásahu
Buduje znovu použitelnou knihovnu dovedností, která se sčítá v průběhu času
Silné výkony benchmarku ve srovnání s předchozími agenty Minecraftu
Průhledné, založené na kódu akty jsou snadno prozkoumatelné

Proti

Vyžaduje přístup k schopnému LLM API, což může být nákladné
Omezeno na Minecraft jako prostředí
Nastavení a ladění může být technicky náročné
Výkon závisí silně na kvalitě zadání a modelu

Recenze

4.8

Průměr z 5 hodnocení.

Přihlas se, abys mohl napsat recenzi.

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.