VoyagerLMM-drivna autonom agent som lär sig och utforskar i Minecraft utan mänsklig inblandning.

4.8 (5)

Granskat av Daniel Nikulshyn·Uppdaterad maj 2026

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

Översikt

Voyager är ett forskningsprojekt som använder storartade språkmodeller för att styra en autonorm automatiskt insidan av Minecraft. Automaten sätter sina egna mål, skriver ut verkliga koden för att agera i världen och bygger på ett inkrementellt sätt en bibliotek av återanvändbara färdigheter som den spelar. Den kombinerar automatiska kursplaner för öppenändade utforskningar, en iterativ loop för steg-för-steg-påminnelse som förfinar koden via feedback från miljön, samt en utvecklande kunskapsbibliotek som låter agenten hantera allt progressivt svårare uppgifter. Över tid, låser Voyager upp nya teknologi träd mejlständ, samlatar varierande artiklar och korsar mer terräng än tidigare Minecraft-agenter. Voyager är främst av intresse för AI-forskare, spel AI-utvecklare, och amatörer som utforskar embodied agents, livslång inlärning och beslutsfattande med hjälp av LLM i öppna världsmiljöer.

Nyckelfunktioner

Automatiskt läroplan för målgenerering
Iterativa frågeställningar med miljöfeedback
Växande kunskapslåda av verkställbara kod
LMM-drivna planering och resonemang
Fördelat utforskning i Minecraft
Forskningsskyddad, öppenhandsimplementation

Priser

Modell: Free
Kategori: Gaming
Betyg: 4.8 / 5 (5)

Användningsfall

Benchmarke LLM-agenter i Minecraft

Forskare börja utvärdera LLM-drivna autonom agenter på öppen-ändade Minecraft-uppgifter, jämförande tekniskträdframsteg, artikellediversitet och utforskning emot tidigare grundenivåer.

Studera livslångt kunskapsinträngande

Använd Voyagers växande kunskapslåda och automatiskt läroplan för att undersöka hur agenter ackumulerar återanvändbara kod-baserade kunskaper över långa horisonter utan människlig övervakning.

Prototypspel AI-beteende

Spel AI-utvecklare kan experimentera med LLM-drivna planering och iterativ kodjustering för att skapa autonomt NPCs som inställer mål och anpassar sig via miljöfeedback.

Färdighetslärning för amatörer

Amatörer som utforskar LLM-agenter kan körna Voyager för att se transparenta, inspektabla kodhandlingar och lära sig hur frågeställningsloopar och läroplan driver öppen-ändade utforskning.

Fördelar och nackdelar

Fördelar

Oändlig, livslångutbildning utan mänsklig intervention
Bygger en återanvändbar kunskapslåda som skapar sig över tid
Starka benchmarkprestationer mot tidigare Minecraft-agenter
Transparence, kod-baserade handlingar är enklare att inspektera

Nackdelar

Kräver tillgång till en kapabel LMM-API, vilket kan vara kostsamt
Begränsad till Minecraft som miljö
Installations- och justering kan vara tekniskt invävd
Prestanda beror starkt på frågeställningsord och modellkvalitet

Stridsrekord

I 2 strider i Pantheon.

1:a

2:a

3:e

Last 2 battles

Recensioner

4.8

Genomsnitt från 5 betyg.

Logga in för att lämna en recension.

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.

Frågor

Vad är de viktigaste begränsningarna för Voyager's autonom agent?

Yttervärldsprestanda beroende på kvalitet och kostnad på LL-skiktet, begränsad till Minecraft som enda miljö, och det öppna programintervallet kräver noggrann anpassning för att undvika problematiska beteenden.

Asked by Tomáš Novák · Dec 20, 2025

Vem kan realistiskt använda Voyager och vilken teknisk förmåga krävs?

Verktyget vetter sig till AI-forskare, spel AI-utvecklare och hobyerter; användare måste vara bekväma med att sätta upp Python-miljöer, konfigurera LLM-API-lösenord och vrida prompt, eftersom installationen är tekniskt komplicerad.

Asked by Winifred Adeyemi · Nov 30, 2025

Vilka Minecraft-versioner eller plattformar stöds av Voyager?

Voyager har byggts för det standard-Minecraft-utgåvan till Java Edition och interagerar med spelet via dess äldre pluggnings-API eller servrar; den stöder inte längre Minecraft Bedrock Edition eller andra spelsystem.

Asked by Olga Ivanova · Nov 19, 2025

Vilka kostnader är knutna till att köra Voyager?

Voyager själv är öppen källkod, men det beroende av ett begåvat LLM-API (t.ex. OpenAI, Anthropic) för uppgiftshantering, och de inblandade API-anropen kan orsaka avgifter som kan bli betydande beroende på körtid och modellstorlek.

Asked by Marcus Bell · Oct 26, 2025