VoyagerAgente autônomo impulsionado por LLM que aprende e explora em Minecraft sem intervenção humana.

4.8 (5)

Avaliado por Daniel Nikulshyn·Atualizado maio de 2026

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

Visão geral

Voyager é um projeto de pesquisa que usa grandes modelos de linguagem para impulsionar um agente autônomo dentro de Minecraft. O agente define seus próprios objetivos, escreve código executável para agir no mundo e constrói incrementalmente uma biblioteca de habilidades reutilizáveis à medida que joga. Ele combina um currículo automático para exploração aberta, um loop de prompts iterativos que refina o código por meio de feedback do ambiente e uma biblioteca de habilidades em crescimento que permite ao agente lidar com tarefas progressivamente mais difíceis. Com o tempo, o Voyager desbloqueia novos marcos da árvore de tecnologia, coleta itens diversos e percorre mais terreno do que agentes anteriores de Minecraft. Voyager é de interesse principalmente para pesquisadores de IA, desenvolvedores de IA de jogos e entusiastas que exploram agentes incorporados, aprendizado ao longo da vida e tomada de decisões impulsionada por LLM em ambientes de mundo aberto.

Funcionalidades principais

Currículo automático para geração de metas
Prompting iterativo com feedback do ambiente
Biblioteca de habilidades em crescimento de código executável
Planejamento e raciocínio impulsionados por LLM
Exploração aberta em Minecraft
Implementação orientada para pesquisa, código aberto

Preços

Modelo: Free
Categoria: Gaming
Avaliação: 4.8 / 5 (5)

Casos de uso

Benchmark de agentes LLM em Minecraft

Pesquisadores podem avaliar agentes autônomos impulsionados por LLM em tarefas abertas de Minecraft, comparando progresso na árvore de tecnologia, diversidade de itens e exploração com baselines anteriores.

Estudar aquisição de habilidades ao longo da vida

Use a biblioteca de habilidades em crescimento do Voyager e o currículo automático para investigar como os agentes acumulam habilidades baseadas em código reutilizáveis ao longo de horizontes longos sem supervisão humana.

Prototipar comportamentos de IA de jogo

Desenvolvedores de IA de jogos podem experimentar planejamento impulsionado por LLM e refinamento de código iterativo para criar NPCs autônomos que definem metas e adaptam por meio de feedback do ambiente.

Aprendizado prático para entusiastas

Entusiastas que exploram agentes LLM podem executar o Voyager para ver ações de código transparentes e inspecionáveis e aprender como loops de prompts e currículos impulsionam a exploração aberta.

Prós e contras

Prós

Aprendizado aberto e ao longo da vida sem intervenção humana
Constrói uma biblioteca de habilidades reutilizáveis que se acumula ao longo do tempo
Desempenho de benchmark forte em comparação com agentes anteriores de Minecraft
Ações baseadas em código transparentes são fáceis de inspecionar

Contras

Requer acesso a uma API de LLM capaz, que pode ser cara
Limitado ao Minecraft como ambiente
Configuração e ajuste podem ser tecnicamente envolvidos
O desempenho depende fortemente da qualidade do prompt e do modelo

Avaliações

4.8

Média de 5 avaliações.

Entra para deixar uma avaliação.

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.