从出生就撸树，到一路杀向末影龙，你的《我的世界》速通纪录能压缩到多少？
现在轮到 AI 组队开荒了。
Google DeepMind 刚放出了一项新成果：四个 Gemini 4 Argon Agent，一张随机生成的地图，没有任何人类干预。
它们一口气从零开干，历时 27 小时，互相发了 229 条 消息，写下 超过 2700 行 JavaScript 代码，最终把末影龙正面放倒。
研究人员全程既没有给它们指派任务，也没有透露任何现成攻略，只丢下一句话：
击败末影龙。
四个Agent便自己商量起了分工，一边写代码操控角色，一边共享情报、互相救场。哪怕集体阵亡了 605 次，队伍始终没有散架，最终带着胜利一起凯旋。
看着这群 AI 队友联手刷新《我的世界》的通关战绩，不少玩家不免心酸：AI 都能自己分工合作、从赤手空拳一直打到末影龙了，我还在单人世界里迷路，时不时因为坠落伤害直接躺平。
它们到底是怎么做到的？
阵亡 605 次不放弃，最终拿下 Boss
这四位 AI 玩家并没有直接盯着屏幕，也没有人手一套键鼠。它们通过开源库 Mineflayer 读取角色的位置、血量、背包和周边环境，然后自己编写 JavaScript 程序，让角色去赶路、挖矿、合成、打架。
一段代码跑完，它们会读取结果、检查报错，再接着写下一段。相当于咱们用手玩《我的世界》，它们则用代码玩（doge）。
开局仅 10 分钟，四个 Agent 已经主动商量起了分工：
- gyldenia 负责寻找食物、床和打火石；
- bulicame 负责下矿挖钻石；
- janesick 负责炼铁和制作工具；
- auratian 负责搭建下界传送门。
不到两个小时，它们就凑齐了铁器和钻石，并成功点亮传送门。但一进入下界，真正的混乱才算开始。
它们一边搜集烈焰棒和末影珍珠，一边搭掩体、囤物资，顺手把踩过的坑写进共享记忆。
janesick 曾经带着 12 份烈焰粉被活活烧死，掉落的物品又被恶魂一发火球炸了个干干净净。眼看着到手的材料灰飞烟灭，几个 Agent 立刻凑到一起复盘事故原因、写出应对策略，并提醒所有队友不要在同一个坑里反复横跳。
五个半小时后，它们已经把 15 颗末影珍珠塞进了公共箱子。接下来，任务进入找要塞阶段。
janesick 先在两个不同地点投掷末影之眼，每隔 50 毫秒记录一次飞行轨迹，再计算两条直线的交点。一通操作下来，它把要塞锁定在距离村庄约 1.3 公里的位置，与实际传送门房间仅相差 43 米。
然而就在赶路途中，auratian 却带着全部 12 颗末影之眼溺水身亡。
这谁能忍？！
在辛苦攒下的材料即将消失之前，两只 Agent 迅速把死亡坐标和物品消失时间报给 bulicame。bulicame 火速赶到现场，硬是在只剩两分半的时间里，将 12 颗末影之眼全部捞了回来。这一波配合，确实有点东西。
打到第 13 个小时，四个 Agent 终于激活了末地传送门。可谁成想，前面闯关一路高歌猛进，剩下将近 14 个小时却全部卡在末影龙面前。
巨龙先后杀了它们 69 次。 几只 Agent 一次次义无反顾地冲上去，末影龙的血条却始终压不下来。但它们一直没放弃。
直到 8 小时后，时间来到第 21 个小时，auratian 终于揪出了罪魁祸首：
塔顶的 10 颗末地水晶，一直在给巨龙回血。
没有合适的工具，它就整出了一个极其朴素的办法：
往脚下不断垫土，爬上柱顶，再用手把水晶挨个打掉。
路子走对之后，几个 Agent 在接下来的 4 个多小时里一口气拆掉了碍事的 10 颗水晶。最后一颗水晶消失 39 分钟后，末影龙才终于倒下。而负责最后一击的 bulicame，当时只剩下 2.5 点生命值。
比博燃啊……
所以账单也烧得相当实在。
网友 Berk Aladag 指出，这场通关总计烧了约 520 美元（约 3682 元），期间累计处理了约 13.5 亿输入 Token、生成 1600 万输出 Token，调用模型约 2.4 万次，其中约 91% 的输入由缓存提供。
换句话说，这四个 Agent 确实打赢了一场漂亮仗，但也顺手把当前 Agent 完成超长任务必须付出的时间、试错和成本，全部摊在了台面上。
那么，Google DeepMind 到底想通过这场游戏证明什么？
打的是末影龙，测的却是 AI 能不能啃完一整项工作
答案或许就藏在这场跌跌撞撞的通关过程里。
《我的世界》看起来只是个游戏，但想从赤手空拳一路摸到末影龙面前，必须连续完成采集、制造、探索、战斗、资源管理和团队协作等一系列动作。前一步没做完，后一步就接不上；角色一旦阵亡，刚攒下的装备和材料还可能当场清零。
这恰好撞上了长期 Agent 最容易翻车的地方。AI 必须用实际动作回答几个问题：能不能在拿到一个模糊的最终目标之后，拆出数千个具体动作？能不能在连续工作一天后，还清楚记得最初要干什么？更关键的是，当工具报错、方案失败、队友倒下时，还能不能自己恢复现场，把任务继续往前推？
Google DeepMind 这场围绕末影龙回血展开的故事，本身就是一场极其生动的 Agent 排障实验。正如一位网友总结的：
当目标函数怎么都降不下去时，AI 需要学会别急着加大步长，而是先找找是哪一项一直在把你往回拉。
也只有当 AI 学会自己揪出阻碍任务推进的关键变量，切断问题链条，才有可能真正把长程任务圆满完成。
咱们日常写代码、做实验、处理工作也是一样的道理。AI 既要肯干、能熬，也要在结果停滞不前时回头排查：究竟是哪个环节正在持续吞掉此前所有努力？
而且，现实生活里咱们也肯定更愿意直接丢一个“把这套项目性能优化好”“把这堆材料整理好给我交差”的总目标，希望 AI 一口气干完，让咱们可以直接交差，而不是时刻盯着、反复调试。毕竟，中间怎么拆任务、谁先动手、失败后如何恢复、经验怎么传给下一位队友，总不可能永远由人类一步一步安排。
所以，Google DeepMind 通过这次实验展示出了一种新的可能：一支 Agent 队伍，也能在没有人类工程师提前规划好所有路径的前提下，自己认领工作、分享经验、互相纠错，并带着数百次失败留下来的经验，把一项跨天的任务硬生生啃下来。
确实不错啊，我也想让它们帮我打通关（bushi）。如果你对多 Agent 协作和 AI 模型接入这类玩法感兴趣，也可以到 云栈社区 翻翻相关资料。
参考链接：
发表于 3 小时前
|
查看: 6|
回复: 0
