VoyagerLLM-управлений автономний агент, який навчається та досліджує в Minecraft без участі людини

4.8 (5)

Перевірено Daniel Nikulshyn·Оновлено травень 2026 р.

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

Огляд

Воя́джер це дослідницький проєкт, який використовує великі мовні моделі для керування автономним агентами у Minecraft. Агент сама встановлює свої цілі, створює виконуваний код для дії у світі та інкрементно побудовує бібліотеку重複но використовуваних навичок, поки грає. Вона поєднує автоматичний курс навчання для відкритої експлуатації, ітеративну механізм питання, який виправляє код через відгук середовища, і розширювальну бібліотеку навичок, яка дозволяє агенту займатися поступово складнішими завданнями. З часом Voyager звільняє нові віхи технічної дерева, збирає різнобарвні предмети, а також пересувається на більшу територію, ніж попередні агенти Minecraft. Войажер насамперед цікавиться дослідникам з області штучного інтелекту, розробникам штучного інтелекту у відеоіграх та аматорам, які вивчають зановажених агентів, тривалий навчальний процес та прийняття рішень з використанням мовних моделей LLM у відкритих середовищах.

Ключові функції

Автоматичний навчальний план для генерації цілей
Ітеративне запрошення з зворотнім зв'язком від середовища
Зростаюча бібліотека навичок у вигляді виконуваного коду
Планування та розуміння за допомогою LLM
Відкрите дослідження у Minecraft
Дослідницька, відкрито-джерельна реалізація

Ціни

Модель: Free
Категорія: Ігри
Рейтинг: 4.8 / 5 (5)

Кейси використання

Порівняння LLM-агентів у Minecraft

Дослідники можуть оцінювати автономних агентів, що керуються LLM, у відкритих завданнях Minecraft, порівнюючи прогрес технологічного дерева, різноманітність предметів та дослідження з попередніми базовими моделями

Дослідження постійного набуття навичок

Використовуйте зростаючу бібліотеку навичок і автоматичний навчальний план Voyager, щоб вивчити, як агенти накопичують повторно використовувані навички на основі коду протягом довгих горизонтів без людського спостереження

Прототипування ігрових AI-адмутів

Розробники ігрових AI можуть експериментувати з плануванням, що керується LLM, і ітеративним уточненням коду для створення автономних NPC, які встановлюють цілі й адаптуються за допомогою зворотного зв'язку від середовища

Практичне навчання для хобі-ентузіастів

Хобі-ентузіасти, що досліджують LLM-агентів, можуть запускати Voyager, щоб побачити прозорі, перевіряні дії коду та зрозуміти, як цикли запитів і навчальні плани підтримують відкрите дослідження

Плюси і мінуси

Плюси

Відкрите, постійне навчання без втручання людини
Створює повторно використовувану бібліотеку навичок, яка накопичується з часом
Висока продуктивність на бенчмарках порівняно з попередніми агентами Minecraft
Прозорі дії на основі коду, які легко перевірити

Мінуси

Потребує доступу до потужного LLM API, що може бути дорогим
Обмежений лише Minecraft як середовищем
Налаштування та оптимізація можуть бути технічно складними
Продуктивність сильно залежить від якості запиту і моделі

Відгуки

4.8

Середнє з 5 оцінок.

Увійди, щоб залишити відгук.

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.