返回资讯中心
外部精选
软件工程
#开发者实时流

开发者打造Leeroy项目,让AI智能体玩《魔兽世界》

来源标题:Leeroy: Making AI agents play World of Warcraft

一名软件工程师开发了Leeroy,让AI智能体在AzerothCore私服上玩《魔兽世界》,以此作为衡量AI编程智能体处理长任务能力的基准。该测试受RuneBench启发,要求智能体组队完成专为5人设计的副本,且必须协作而非单人完成。由于《魔兽世界》是实时游戏,而基于LLM的智能体按回合运作(单回合耗时2至60秒),这对智能体的规划与协作能力提出了挑战。

Hacker News 最新speckx2026/11/6 · 11 天前12 分钟阅读

以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

我作为软件工程师,每天都在用 AI 编程智能体干活。我通常交给它们定义清晰、手动完成不超过一小时的任务。但我觉得自己并没有真正理解这些工具。它们会怎么处理需要数小时才能完成的任务?它们如何制定计划、从错误中恢复、与其他智能体协作?我又该怎么衡量这些?于是我决定做一个基准测试。

这个想法受 RuneBench 启发,那个基准测试让 AI 编程智能体通过编写针对 SDK 的代码来玩 RuneScape。我在《燃烧的远征》和《巫妖王之怒》这两个资料片期间玩了很久的《魔兽世界》,看到 RuneBench 时我就知道,我想在 WoW 里试试这个。《魔兽世界》有一套成熟的私服实现(AzerothCore)。这游戏我很熟,而且它有明确为团队完成而设计的内容。一个为 5 名玩家设计的副本,就是别人已经替你精心设计并平衡好的基准任务。而且你没法单人通关。

《魔兽世界》是实时游戏。一场战斗可能不到 5 秒就分出胜负。但基于 LLM 的智能体是按回合工作的,一个回合可能要花 2 到 60 秒。所以智能体没法直接控制自己的角色。它们控制的是一个无头游戏客户端,编写由游戏客户端执行的 Lua 脚本。智能体在思考时,脚本实时地玩着游戏。

task.keep('leader_beacon',function() while true do local p=me.position() local msg=string.format('TANK %d: %s at %.0f,%.0f,%.1f. Follow Aldous; next stage call follows.',me.level(),S.stage or 'regroup',p.x,p.y,p.z) if group.info() then chat.party(msg) elseif S.buddy_guid then chat.channel('Deadmines',msg) end wait(S.buddy_guid and 20 or 60) -- 20s in group, 60s when waiting to group end end)

这个客户端也没有屏幕。它直接使用《魔兽世界》的网络协议与游戏服务器通信。它把服务器发来的信息转换成智能体能处理的结构化数据。比如:你角色身后 25 码处有一只狗头人(低 3 码),狗头人目前能看到你的角色,如果再靠近 3 码它就会攻击。当智能体想让角色移动时,它会通过 navmesh 寻路器请求一条路径,寻路器会考虑世界的碰撞模型。(这个寻路器是项目中迄今为止 bug 最多的来源)。

SDK 暴露了人类玩家能看到的所有信息,以及人类玩家能采取的所有动作。仅此而已。没有“拉最近的怪”函数,没有“在我发话之前别让智能体施放任何控制技能”的函数,没有“把治疗放到近战坦克身后”的函数。这些东西都需要智能体自己用 Lua 实现,而它们正是基准测试衡量的重要部分。更多细节见这里。

这是基准测试中最难做对的部分。我最终做了 6 个不同版本的“裁判”程序,用来给智能体的表现打分。我不断遇到的问题是:我会衡量某个指标(成就数量、物品等级、金币或击杀精英数),然后意识到这个指标衡量的是我选择做什么,而不是最优策略。我找到的最好指标是每小时经验值。它效果好到所有成功通关副本的智能体都得到相同的分数(我们还可以衡量它们用了多短的时间完成)。

同样,我给早期版本的智能体写了一大段满是建议和最佳实践的提示词。当然,这样一来基准测试在某种程度上衡量的就是哪个模型最听我的话。现在 LEEROY 的文档只描述游戏规则,绝不包含怎么玩的建议。

让智能体连续运行很多小时,是对游戏服务器、客户端和裁判程序的绝佳压力测试。我在这些程序里修掉的几十个 bug 中,大多数只有在运行几个小时后才会显现。比如有个 bug 是:裁判一直在给一个游戏客户端已经断线 30 分钟的智能体计时。又比如有个 bug 是:负责启动智能体的管理程序崩溃了,但智能体还在继续玩(没有被裁判评分)。

当你看到一组 5 个没被要求合作的智能体决定组队(在它们第一次运行的 29 秒时),然后在玩了几小时、写了新脚本等等之后,一次只拉一只怪,在队伍聊天里按需呼叫控制技能(这是它们自己发明的协议),这很令人兴奋。然后它们赢了游戏(通关死亡矿井)(用时 17 小时 41 分钟)。

所有游戏过程都有记录,你可以回看。团灭时,你能看到每个智能体在团灭前最后几秒以为发生了什么,以及它们让角色做了什么。

源代码在 GitHub 上,你可以在 leeroy.dev 上找到数百次实验的结果。

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →