VoyagerAutonomiczny agent napędzany LLM, który uczy się i eksploruje w Minecraft bez ludzkiej interwencji.

4.8 (5)

Zrecenzowane przez Daniel Nikulshyn·Zaktualizowano maj 2026

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

Przegląd

Voyager to projekt badawczy, który wykorzystuje duże modele językowe (LLM) do sterowania autonomicznym agentem w Minecraft. Agent wyznacza własne cele, pisze wykonalny kod, aby działać w świecie, i stopniowo buduje bibliotekę wielokrotnego użytku umiejętności podczas gry. Łączy automatyczny program nauczania dla otwartej eksploracji, iteracyjną pętlę promptingową, która udoskonala kod na podstawie informacji zwrotnej ze środowiska, oraz rosnącą bibliotekę umiejętności, pozwalającą agentowi podejmować coraz trudniejsze zadania. Z czasem Voyager odblokowuje nowe kamienie milowe w drzewie technologicznym, zbiera różnorodne przedmioty i przebywa większe obszary niż wcześniejsze agenty Minecraft. Voyager jest przede wszystkim interesujący dla badaczy AI, deweloperów sztucznej inteligencji w grach oraz hobbystów badających ucieleśnione agenty, uczenie się przez całe życie i podejmowanie decyzji napędzane LLM w środowiskach otwartego świata.

Kluczowe funkcje

Automatyczny program nauczania do generowania celów
Iteracyjne promptingowanie z informacją zwrotną ze środowiska
Rozbudowująca się biblioteka umiejętności w postaci wykonalnego kodu
Planowanie i rozumowanie napędzane LLM
Otwarta eksploracja w Minecraft
Implementacja nastawiona na badania, o otwartym kodzie źródłowym

Cennik

Model: Free
Kategoria: Gaming
Ocena: 4.8 / 5 (5)

Zastosowania

Benchmarkowanie agentów LLM w Minecraft

Badacze mogą oceniać autonomiczne agenty napędzane LLM na otwartych zadaniach w Minecraft, porównując postęp w drzewie technologicznym, różnorodność przedmiotów oraz eksplorację z wcześniejszymi bazami odniesienia.

Badanie długoterminowego nabywania umiejętności

Korzystając z rosnącej biblioteki umiejętności Voyager oraz automatycznego programu nauczania, można badać, jak agenty gromadzą wielokrotnego użytku umiejętności oparte na kodzie na długich horyzontach czasowych bez nadzoru człowieka.

Prototypowanie zachowań AI w grach

Deweloperzy AI w grach mogą eksperymentować z planowaniem napędzanym LLM i iteracyjnym udoskonalaniem kodu, aby tworzyć autonomiczne NPC, które wyznaczają cele i adaptują się dzięki informacjom zwrotnym ze środowiska.

Praktyczna nauka dla hobbystów

Hobbystowie badający agenty LLM mogą uruchomić Voyager, aby zobaczyć przejrzyste, dające się inspectować akcje kodu i nauczyć się, jak pętle promptingowe i programy nauczania napędzają otwartą eksplorację.

Plusy i minusy

Plusy

Otwarta, ciągła nauka bez ludzkiej interwencji
Tworzy bibliotekę wielokrotnego użytku umiejętności, która rośnie w czasie
Silna wydajność benchmarkowa w porównaniu z poprzednimi agentami Minecraft
Transparentne, oparte na kodzie akcje są łatwe do inspekcji

Minusy

Wymaga dostępu do wydajnego API LLM, co może być kosztowne
Ograniczony do Minecraft jako środowiska
Instalacja i dostrajanie mogą być technicznie skomplikowane
Wydajność zależy silnie od jakości promptu i modelu

Recenzje

4.8

Średnia z 5 ocen.

Zaloguj się, aby zostawić recenzję.

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.