VoyagerClient LLM autonome l'AIGAQ dans Minecraft : exploration, acquëtion de compéskills, étiquettes. Transcrevez-vous la hiérovise l'exploration dans Minecraft, l'acquisition de compéskills autonomes via des étiquettes LLM adaptatives.

4.8 (5)

Évalué par Daniel Nikulshyn·Mis à jour mai 2026

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

Aperçu

Voyager est un projet de recherche qui utilise des grands modèles de langage pour piloter un agent autonome dans Minecraft. L'agent se fixe ses propres objectifs, écrit du code exécutable pour agir dans le monde et construit de manière incrémentale une bibliothèque de compétences réutilisables au fur et à mesure qu'il joue. Il combine un curriculum automatique pour une exploration à large échelle, une boucle de prompting itérative qui affine le code grâce aux retours de l'environnement, et une bibliothèque de compétences croissante qui permet à l'agent de relever des tâches progressivement plus difficiles. Au fil du temps, il débloque de nouveaux jalons de l'arbre technologique, collecte des objets divers et traverse plus de terrain que les agents Minecraft précédents. Voyager présente principalement de l'intérêt pour les chercheurs en IA, les développeurs de jeux vidéo utilisant l'IA et les amateurs explorant les agents incarnés, l'apprentissage à vie et la prise de décision basée sur LLM dans des environnements ouverts.

Fonctionnalités clés

LLM-driven autonomy
Open-ended exploration in Minecraft
Adaptive LLM prompts
Robust skill acquisition
LLM-powered autonomous learning
Exploration of the Minecraft world

Tarifs

Modèle: Free
Catégorie: Gaming
Note: 4.8 / 5 (5)

Cas d’usage

Pour & contre

Pour

Transparent, inspectable code
Open-ended exploration adapted to LLM prompts
Adaptive autonomous agent in Minecraft
Skill acquisition in open-ended environments
LLM-powered AI agent in game
Adaptive autonomous exploration in Minecraft based on LLM prompts

Contre

Requires LLM access
Specific to Minecraft game
Requires setup and tuning
LLM exploration based
An AI agent in game driven by LLM
Adaptable autonomous exploration guided by LLM prompts

Avis

4.8

Moyenne sur 5 avis.

Connecte-toi pour laisser un avis.

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.