VoyagerLMM-založený autonomný agent, ktorý sa učí a skúša v Minecraft bez ľudskej intervencie.

4.8 (5)

Recenzované Daniel Nikulshyn·Aktualizované máj 2026

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

Prehľad

Voyager je výskumný projekt, ktorý využíva veľké jazykové modely na riadenie autonómneho agenta vo vnútri hry Minecraft. Agent si stanovuje vlastné ciele, píše spustiteľný kód na pôsobenie vo svete a postupne buduje knižnicu znovu použiteľných zručností počas hry. Spája automatické učebné osnovy pre otvorené skúmanie, iteračnú výzvu slučky, ktorá zdokonaľuje kód prostredníctvom spätnej väzby prostredia, a rastúcu knižnicu zručností, ktorá umožňuje agentovi zvládnuť postupne náročnejšie úlohy. Časom Voyager odomyka nové míľniky technologického stromu, zhromažďuje rôzne predmety a prechádza viac terénu ako predchádzajúci agenti Minecraftu. Voyager je primárne zaujímavý pre výskumníkov v oblasti AI, vývojárov hernej AI a nadšencov, ktorí skúmajú vstavané agenty, celoživotné učenie a rozhodovanie pomocou LLM v otvorenom prostredí.

Kľúčové funkcie

Automatický prenácviková kurzina pre generáciu cieľov
Iteratívna osvietlí súvisťou z environmentom
Rastúca knižnica zručností vykonateľných kódu
LMM-riadená plánovanie a logika
Otevretá, otvorenom skúmanie v Minecraft
Výskumný orientovaný, otvorený-zdrojový implementáciu

Cenník

Model: Free
Kategória: Gaming
Hodnotenie: 4.8 / 5 (5)

Prípady použitia

Porovnanie LLM agentov v Minecraft

Výskumníci môžu otestovať LLM-riadené autonomné agenty na otvorenom skúmave Minecraft úlohach, porovnávajúc tech tree progress, item diverzity a skúmaní súvislosti proti predchádzajúcim základným hodnotami.

Štúdium celoživotného osvojenia zručností

Ľudia môžu použiť rôstu knižnice zručností a automatickej kurziny na skúmanie, ako agenti získavajú reusable kódové zručnosti po dlhú dobu bez ľudskej intervencie.

Prototypovanie hračky AI správ

Rozvojači hracích AI môžu experimentovať s LMM-riadenými plánovaním a iterativní kódovým vylepšeniami, na vykreslovanie autonomných NPC, ktoré nastavujú ciele a adaptujú skúsenosiou z environmentom.

Hranie učenie pre hobbyisty

Hobbyisti môžu použiť Voyager a vidieť transparentné, inspectable kódové akcie a osvojiť sa, ako osvietli súvisťie a kurzy riadia otvretými skúmami.

Klady a zápory

Klady

Otvoreno-založený, celoživotný učenie bez ľudskej intervencie
Postupne budujúca knižnica reusable zručností, ktorá sa kumuluje cez čas
Silný výkonbenchmarku proti predchádzajúcim agentom v Minecraft
Transparentné, kódové akcie sú jednoduché na inšpekciu
Konšpiračné ciele založené vo všeobecnosť kódu sú jednoduché na pochopenie.

Zápory

Vyžaduje prístup k schopnému LLM API, čo môže byť nákladné
Obmedzené na Minecraft ako prostredie
Nastavenie a ladenie môžu byť technicky náročné
Výkon veľmi závisí od kvality výzvy a modelu

Recenzie

4.8

Priemer z 5 hodnotení.

Prihlás sa, aby si napísal recenziu.

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.