VoyagerAgente autónomo impulsado por LLM que aprende y explora en Minecraft sin entrada humana.

4.8 (5)

Reseñado por Daniel Nikulshyn·Actualizado mayo de 2026

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

Resumen

Voyager es un proyecto de investigación que utiliza grandes modelos de lenguaje para impulsar un agente autónomo dentro de Minecraft. El agente establece sus propios objetivos, escribe código ejecutable para actuar en el mundo y construye incrementalmente una biblioteca de habilidades reutilizables a medida que juega. Combina un plan de estudios automático para la exploración de objetivos abiertos, un ciclo de solicitud iterativa que refina el código a través de la retroalimentación del entorno, y una biblioteca de habilidades en crecimiento que permite al agente abordar tareas progresivamente más difíciles. Con el tiempo, desbloquea nuevos hitos del árbol tecnológico, recopila diversos elementos y atraviesa más terreno que los agentes de Minecraft anteriores. Voyager es de interés principalmente para investigadores de IA, desarrolladores de juegos de IA y aficionados que exploran agentes encarnados, aprendizaje de por vida y toma de decisiones impulsada por LLM en entornos de mundo abierto.

Funciones clave

Curriculum automático para la generación de objetivos
Iterativa pregunta de respuesta con retroalimentación del entorno
Biblioteca creciente de habilidades que utiliza código ejecutable
Planificación y razonamiento impulsados por LLM
Exploración abierta en Minecraft
Implementación orientada a la investigación y de código abierto

Precio

Modelo: Free
Categoría: Gaming
Valoración: 4.8 / 5 (5)

Casos de uso

Evalúe agentes LLM en Minecraft

Los investigadores pueden evaluar agentes autónomos impulsados por LLM en Minecraft abierta, comparando el progreso de la rama de tecnología, la diversidad de artículos y la exploración contra antecedentes.

Estudie el adquisición de habilidades de vida larga

Utilice la biblioteca creciente de habilidades de Voyager y el curriculum automático para investigar cómo los agentes acumulan habilidades reutilizables del código viajando de largo horizonte sin supervisión humana.

Prototípese comportamientos de IA del juego

Los desarrolladores de IA de juegos pueden experimentar con la planificación impulsada por LLM y la refinación del código iterativa para crear NPCs autónomos que establezcan objetivos y adapten via retroalimentación del entorno.

Aprendizaje a mano para aficionados

Los aficionados explorando agentes LLM pueden ejecutar Voyager para ver acciones de código transparentes e inspecitibles y aprender cómo los bucles de preguntas y los planos de curriculum impulsa la exploración abierta.

Pros y contras

Ventajas

Aprendizaje a vida larga y abierta sin intervención humana
Construye una biblioteca de habilidades reutilizables que se compone con el tiempo
Elevado rendimiento de benchmark en comparación con agentes de Minecraft anteriores
Acciones de código basadas en código transparentes son fáciles de inspeccionar
Limitaciones de costo asociadas con acceso a API de LLM
Se limita a Minecraft como entorno
La instalación y configuración pueden ser técnicamente involucradas
El rendimiento depende en gran medida de la calidad de la petición y del modelo

Contras

Puede ser de alto costo el acceso a una API de LLM capacitada
Se limita a Minecraft como entorno
La configuración puede ser técnicamente involucrada para usar
El rendimiento depende en gran medida de la calidad de la petición y del modelo
Se requiere de un SaaS que ofrece el modelo de lenguaje grande con alta calidad
Ajustes pueden ser involucrados para maximizar la eficacia

Reseñas

4.8

Promedio de 5 valoraciones.

Inicia sesión para dejar una reseña.

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.