OlympHill
Voyager logo

VoyagerLLM-toega autonoomne agent, mis õpib ja uurib Minecraftis ilma inimese sekkumiseta.

4.8 (5)
Daniel NikulshynVaadanud Daniel Nikulshyn·Uuendatud mai 2026

Ülevaade

Voyager on uurimisprojekt, mis kasutab suuri keelemudeleid autonoomse agendi juhtimiseks Minecraftis. Agent seab oma eesmärgid, kirjutab täidetava koodi maailmas tegutsemiseks ja ehitab järk-järgult üles taaskasutatavate oskuste raamatukogu mängu ajal. See ühendab automaatselt õppekava avatud uurimiseks, iteratiivse viipamise tsükli, mis täiustab koodi keskkonna tagasiside kaudu, ja kasvava oskuste raamatukogu, mis võimaldab agendil järk-järgult keerukamaid ülesandeid täita. Aja jooksul lukustab Voyager uued tehnoloogilised verstapostid, kogub mitmekesiselt esemeid ja läbib rohkem maastikku kui varasemad Minecrafti agendid. Voyager on peamiselt huvipakkuv AI uurijatele, mängu AI arendajatele ja harrastajatele, kes uurivad kehastatud agente, elukestvat õppimist ja LLM-toega otsuste tegemist avatud maailma keskkondades.

Põhifunktsioonid

  • Automaatne õppekava eesmärkide genereerimiseks
  • Iteratiivne viipamine keskkonna tagasisidega
  • Kasvav taaskasutatavate koodide oskuste raamatukogu
  • LLM-toega planeerimine ja arutlus
  • Avatud uurimine Minecraftis
  • Uurimisorientatsiooniga, avatud lähtekoodiga realiseering

Hinnad

Mudel
Free
Kategooria
Mängimine
Hinnang
4.8 / 5 (5)

Kasutusjuhud

Benchmark LLM agendid Minecraftis

Uurijad saavad hinnata LLM-toega autonoomseid agente avatud Minecrafti ülesannetel, võrreldes tehnoloogiliste puude edenemist, esemete mitmekesisust ja uurimist varasemate baasjoontega.

Uurige elukestvat oskuste omandamist

Kasutage Voygeri kasvavat oskuste raamatukogu ja automaatselt õppekava, et uurida, kuidas agendid koguvad taaskasutatavaid koodipõhiseid oskusi pika aja jooksul ilma inimese järelevalveta.

Prototüüp mängu AI käitumisi

Mängu AI arendajad saavad katsetada LLM-toega planeerimist ja iteratiivset koodi täiustamist, et luua autonoomseid NPC-sid, mis seab eesmärke ja kohandub keskkonna tagasiside kaudu.

Käsiõppimine harrastajatele

Harrastajad, kes uurivad LLM agente, saavad käivitada Voygeri, et näha läbipaistvaid, kontrollitavaid kooditoiminguid ja õppida, kuidas viipamise tsüklid ja õppekavad juhivad avatud uurimist.

Plussid ja miinused

Plussid

  • Avatud, elukestvat õppimist ilma inimese sekkumiseta
  • Ehitab taaskasutatavate oskuste raamatukogu, mis aja jooksul suureneb
  • Tugev võrdlus jõudlus varasemate Minecrafti agentidega
  • Läbipaistvad, koodipõhised toimingud on kergesti kontrollitavad

Miinused

  • Nõuab juurdepääsu võimelisele LLM API-le, mis võib olla kulukas
  • Piiratud Minecrafti keskkonnaga
  • Seadistamine ja häälestamine võib olla tehniliselt keeruline
  • Jõudlus sõltub suuresti viipa ja mudeli kvaliteedist

Lahingute rekord

2 lahingus Panteonis.

0
1.
0
2.
0
3.

Last 2 battles

Arvustused

4.8

Keskmine 5 hinnangust.

5
4
4
1
3
0
2
0
1
0

Logi sisse arvustuse jätmiseks.

Sofia Lindqvist

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.

MB

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

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.

NP

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.

AK

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.

Küsimused

What are the main limitations of Voyager's autonomous agent?

Performance depends heavily on the quality and cost of the LLM, it is confined to Minecraft as the only environment, and the open-ended curriculum may require careful tuning to avoid undesired behaviors.

Asked by Tomáš Novák · Dec 20, 2025

Who can realistically use Voyager and what technical skill is required?

The tool targets AI researchers, game AI developers, and hobbyists; users need to be comfortable setting up Python environments, configuring LLM API keys, and tuning prompts, as the setup is technically involved.

Asked by Winifred Adeyemi · Nov 30, 2025

Which Minecraft versions or platforms does Voyager support?

Voyager is built for the standard Java Edition of Minecraft and interacts with the game via its existing modding or server APIs; it does not currently support Bedrock Edition or other game engines.

Asked by Olga Ivanova · Nov 19, 2025

What are the costs associated with running Voyager?

Voyager itself is open-source, but it relies on a capable LLM API (e.g., OpenAI, Anthropic) for planning, and those API calls incur usage fees that can become significant depending on runtime and model size.

Asked by Marcus Bell · Oct 26, 2025

Esita küsimus

Mängimine alternatiivid