Voyagerסוכן עצמאי שנשלט על ידי LLM הלמד וסרק בMinecraft ללא התערבות אנושית.

4.8 (5)

נבדק על ידי Daniel Nikulshyn·עודכן מאי 2026

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

סקירה

Voyager הוא פרויקט מחקר המשתמש במודלים של שפה גדולים כדי להניע סוכן אוטונומי בתוך Minecraft. הסוכן קובע את מטרותיו, כותב קוד הפעלה כדי לפעול בעולם, ובונה באופן הדרגתי ספרייה של מיומנויות לשימוש חוזר בזמן שהוא משחק. משלבת תוכנית לימודים אוטומטית לחקירה פתוחה, לולאת הנחיה איטרטיבית המעדנת קוד באמצעות משוב סביבתי, וספריית מיומנויות צומחת המאפשרת לסוכן להתמודד עם משימות קשות יותר ויותר. עם הזמן, פותחת ה-Voyager אבני דרך חדשות של עץ טכנולוגיה, אוספת פריטים מגוונים ועוברת יותר שטח מאשר סוכני Minecraft קודמים. Voyager מעניין בעיקר חוקרי בינה מלאכותית, מפתחי בינה מלאכותית למשחקים וחובבים העוסקים בסוכנים מגולמים, למידה לכל החיים וקבלת החלטות מונעת LLM בסביבות עולם פתוח.

תכונות עיקריות

לימוד אוטומטי עבור יעדי ג'נרציה
מעגל-עידוד תיקי-טפתפוח שמגדיל את הפיטור על-פי פרסומין סביבתי של ג'נרציה
ספריית כישורים מתרחבת הממודד של קוד
מערכת-עבודה
לימוד האוטומטי
פיתוח-מחשב-בלתי-נשלט
תערוכ-טפתפוח-מקשיך
בדיק-מת-ק-טי-י
קנד-טי-צ-ב-ר-ה-ל-]
pros
:
לימוד פתוח-ד-א-ב-ט-ל-ל-ל-ש-ב-נ-ה
pros
:
לימוד-ש-ב-ק-ב-ן-ק-ת-ק-ע-],cons,:,ל-ק-ז-מ-,pros,:,ב. קנ-א-ב-],cons,:,ל-י-ק-,pros,:,-ד-],cons,:,ל-א-ק ת-ק-,useCases,:,[object Object],[object Object],[object Object],[object Object]

תמחור

מודל: Free
קטגוריה: Gaming
דירוג: 4.8 / 5 (5)

מקרי שימוש

בדיקת ביצועים של סוכנים LLM ב-Minecraft

חוקרים יכולים להעריך סוכנים אוטונומיים מבוססי LLM במשימות פתוחות של Minecraft, להשוות בין התקדמות עץ הטכנולוגיות, מגוון הפריטים והחקירה לעומת בסיסים קודמים

מחקר רכישת כישורים לאורך החיים

השתמש בספריית הכישורים הגדלה של Voyager ובתוכנית הלימודים האוטומטית כדי לחקור כיצד סוכנים מצטברים כישורים חוזרים מבוססי קוד לאורך זמן ללא פיקוח אנושי

פרוטוטייפ של התנהגויות בינה מלאכותית במשחק

מפתחים בתחום AI למשחקים יכולים להתנסות בתכנון מבוסס LLM ובהתייעצות קודית חוזרת כדי ליצור NPC אוטונומי שמגדיר מטרות ומתאים את עצמו לפי משוב מהסביבה

לימוד מעשי למתחילים

מתעניינים בחקר סוכנים LLM יכולים להפעיל את Voyager כדי לראות פעולות קוד שקופות וניתנות לבחינה וללמוד כיצד לולאות prompting ותוכניות לימוד מייצרים חקירה פתוחה

יתרונות וחסרונות

יתרונות

למידה פתוחה, ארוכת טווח ללא התערבות אנושית
יוצר ספריית כישורים שניתן להשתמש בהם חוזרת ונשנית ומצטברת עם הזמן
ביצועים מצטיינים מבחינת מדד בבדיקה לעומת סוכנים קודמים של Minecraft
פעולות מבוססות קוד שקופות וניתנות לבחינה בקלות

חסרונות

דורש גישה ל-LLM API בעל ביצועים גבוהים, שעשוי להיות יקר
מוגבל לסביבת Minecraft בלבד
ההתקנה והתאמה יכולות להיות מורכבות טכנית
ביצועים תלויים במידה רבה באיכות הקולקציה והמודל

ביקורות

4.8

ממוצע מ-5 דירוגים.

התחבר כדי להשאיר ביקורת.

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.