VoyagerGelişmiş bir LLM motoru ile otomatik bir ajana sahip olan, insan katkısı olmadan Minecraft'te öğrenir ve keşfeder.

4.8 (5)

İnceleyen Daniel Nikulshyn·Güncellendi Mayıs 2026

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

Genel Bakış

Voyager, Minecraft içinde otomatik bir agenti kontrol eden büyük dil modellerini kullanarak bir araştırma projesidir. Agent kendi amaçlarını belirler, dünyada eylemler gerçekleştirmek için çalışan kod yazar ve oynarken tekrar kullanılabilecek işlevsel beceri kütüphanasını aşamalı olarak oluşturur. Avtomatik bir öğrenme menüsü sunmaya, çevre geri bildirimine dayalı olarak kodun daha iyi hale gelmesine yardımcı olan iteratif komutlama döngüsü ve bir büyüyen yetenek kütüphanesi ile daha zor görevleri yerine getirebilmek için ajanta geliştirmek, zamanda ilerledikçe Voyager yeni teknoloji ağacı mil taşlarını açar, çeşitli malları toplar ve önceki Minecraft ajantasyonlarına göre daha fazla araziyi gezer. Voyager öncelikle AI araştırmacıları, oyun AI geliştiricileri ve açık dünya ortamlarında LLM kullanılarak karar verme, yaşam boyu öğrenme ve vücut muhteviyatı olan aqlar gibi konuları inceleyen hobilerin ilgisini çeker.

Temel özellikler

Hedef oluşturma için otomatik eğitim programı
Ortam geri bildirimleriyle iterative uyarma
Çalıştırılabilir kodun kütüphanesinde büyüyen yetenekler library
LLM'ye dayalı planlama ve mantık
Minecraft'te açık uçlu keşif
Araştırma odaklı, açık kaynaklı bir uygulamaya sahip
API

Fiyatlar

Model: Free
Kategori: Gaming
Puan: 4.8 / 5 (5)

Kullanım senaryoları

Minecraft'te LLM ajanslarını benchmark eylemi

Araştırmalar, açık uçlu Minecraft görevleri üzerinde LLM tarafından sürüklenen otomatik ajansların karşılaştırmasını ve teknoloji ağacı ilerlemesi, nesneye çeşitlilik, keşif gibi şeyler hakkında yapabilir.

Ömür Boyu Bilgi Edinimi Çalışması

Voyager'ın büyüyen yeteneğin kütüphanası ile otomatik eğitim programı kullanılarak, insan denetimine ihtiyaç duyulmadan uzun zaman dilimine yayılan ajansların yeniden kullanılan kod tabanlı yeteneklerin biriktirme süreci nasıl işlediğinin incelenmesi olabilir.

Oyun Olayları AI Davranışların Prototiplemesi

Oyun AI geliştiricileri, LLM tarafından sürdürülen planlamanın ve iterative kod geliştirme olanaklarının kullanılarak, otomatik NPC'ler geliştirebilir. Bu NPC'ler, insan etkisiz ortamlara dayalı olarak hedefler belirleyebilir ve adaptasyon için geri bildirim kullanabilir.

Seyirci Öğrenimi

Yarınıcı LLM ajanslarını incirmek isteyenler, transparent, incelenebilir kod eylemleri ve uyarma döngüleri ile eğitim programını kullanarak açık uçlu keşif için Voyager'ı çalıştırabilir.

Artılar ve eksiler

Artılar

İnsan müdahalesine ihtiyaç duymadan açık uçlu, ömür boyu öğrenme
Zamanla artan bir yeniden kullanıma sahip olan beceri kütüphanası oluşturur
Önceki Minecraft ajantasyorların performansına güçlü bir kıyaslama gerçekleştirebilir
Açıkça görülebilir, kod tabanlı eylemler kolayca inceleyebilir
SDK

Eksiler

Hassas bir LLM API erişimi gerektirir, bu maliyetli olabilir
Özellikle Minecraft alanına sınırlıdır
Kurulum ve ayarlamalar teknolojik olarak karmaşık olabilir
Performans prompt ve model kalitesi üzerine yoğun bir şekilde bağlıdır
SaaS

İncelemeler

4.8

5 puandan ortalama.

İnceleme bırakmak için giriş yap.

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.