VoyagerKI-gestützter autonomer Agent, der ohne menschliche Einfluss lernt und erkundet in Minecraft.

4.8 (5)

Geprüft von Daniel Nikulshyn·Aktualisiert Mai 2026

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

Übersicht

Voyager ist ein Forschungsprojekt, das große Sprachmodelle (LLM) verwendet, um einen autonomen Agenten in Minecraft zu steuern. Der Agent setzt sich eigene Ziele, schreibt ausführbaren Code, um in der Welt zu agieren, und baut schrittweise eine Bibliothek wiederverwendbarer Fähigkeiten auf, während er spielt. Es kombiniert einen automatischen Lehrplan für offene Exploration, eine iterative Prompt-Schleife, die Code durch Umgebungsfeedback verfeinert, und eine wachsende Skill-Bibliothek, die es dem Agenten ermöglicht, zunehmend schwierigere Aufgaben zu bewältigen. Im Laufe der Zeit schaltet Voyager neue Meilensteine im Technologiesbaum frei, sammelt vielfältige Gegenstände und durchquert mehr Gelände als bisherige Minecraft-Agenten. Voyager ist hauptsächlich für KI-Forscher, Game-AI-Entwickler und Hobbyisten von Interesse, die verkörperte Agenten, lebenslanges Lernen und LLM-gesteuerte Entscheidungsfindung in Open-World-Umgebungen erforschen.

Hauptfunktionen

Automatischer Lehrplan für offene Erkundung
Iterative Stelleanfrage mit Umgebungsrückmeldung
Wachsende Fährenbibliothek mit ausführbarem Code
KI-gestütztes Planen und Räsonieren
Offene Erkundung in Minecraft
Researchorientiert, offene-Quell-Implementierung

Preise

Modell: Free
Kategorie: Gaming
Bewertung: 4.8 / 5 (5)

Anwendungsfälle

Benchmarkierung von KI-Agenten in Minecraft

Forscherinnen und Forscher können KI-gestützte autonome Agenten bei offenen Minecraft-Aufgaben bewerten, Tech-Tree-Fortschritt, Gegenstandsdiversität und Exploration vergleichen und gegen Basislinien aus Vergangenheit.

Lebenslanges Fähigkeitserwerb untersuchen

Verwenden Sie Voyagers wachsende Fährenbibliothek und Automatic-Curriculum zu untersuchen, wie Agenten in Zeiträumen ohne menschliche Überwachung anpassbare Codebasierte Fähren bauen.

Prototypen zum Spiel-Spielverhalten

Spiel-Autonomik-Entwickler können experimentieren mit KI-gestütztem Planen und iterativer Codeverfeinerung, um autonome NPCs zu erstellen, die Ziele setzen und per Umgebungsrückmeldung anpassen.

Hobbyisten zum Selbstlernen

Hobbyisten, die sich mit KI-Agenten befassen, fahren die Voyager ab, um transparente, abrufbare Code-Aktionen zu sehen und wie die Stelleanfragen-Loop und Curricula offene Erkundung angetrieben ist.

Pro & Contra

Pro

Offene, lebenslange Lernprozesse ohne menschliche Intervention
Erstellt eine wieder-verwendbare Bibliothek von Fähren, die sich im Laufe der Zeit kumuliert
Starke Benchmarkleistung gegenüber dem Prioritäteten
Transparente, codebasierte Aktionen sind leicht zu inspizieren
Ermüdungsvolle, kodierte Aktion ist in erheblichem Maße durch Umgebungsrückmeldung beeinflusst

Contra

Erfordert Zugriff auf eine leistungsfähige LLM-API, was kostenintensiv sein kann
Auf Minecraft als Umgebung beschränkt
Einrichtung und Optimierung können technisch aufwendig sein
Die Leistung hängt stark von der Qualität des Prompts und des Modells ab

Bewertungen

4.8

Durchschnitt aus 5 Bewertungen.

Melde dich an, um eine Bewertung abzugeben.

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.