四个AI在《我的世界》里死了605次，然后自己写代码干掉了末影龙——但真正值得看的不是通关
AI飞行客 四个AI在《我的世界》里死了605次，然后自己写代码干掉了末影龙——但真正值得看的不是通关
先告诉你结局：四个 Gemini 4 Argon Agent 被扔进随机生成的《我的世界》生存模式，没有攻略、没有预写代码、没人事先分配谁挖矿谁打怪，27 小时 14 分钟、605 次死亡、2783 段自写程序之后，联手干掉了末影龙。
听起来像一个很酷的游戏 Demo。但你要是只看到了”AI 打游戏”，那你错过的东西比通关本身更有价值。
这是一篇来自谷歌 DeepMind 的论文——《A team of Gemini 4 Argon agents beats Minecraft》（arXiv: 2610.22319）。
看完实验设计，我的第一反应不是”AI 变强了”，而是——这种实验方式，可能是我们离”真正的多 Agent 协作”最近的一次了。
先说实验是怎么设计的
不是像以前那样写一个专门的游戏 AI。这 4 个 Agent 做的事情本质上和你平时用 AI 写代码一样：读环境、写代码、跑代码、看结果、改代码——只不过它们的”编译器”是 Minecraft 的游戏引擎。
具体怎么玩的：
– 四个 Agent 各自操控一个角色，通过 Mineflayer（一个 Minecraft 的 JavaScript 接口）读取角色位置、背包、生命值、周围环境 – 它们把自己的行动意图写成 JavaScript 代码，由系统执行 – 执行结果反过来驱动下一步决策 – 四个 Agent 之间通过游戏内聊天频道沟通
注意：没有任何”攻略”或”任务链”写在初始提示词里。它们被放进世界的那一刻，只有一个目标：”打败末影龙”。
最有趣的事情在游戏开始后 10 分钟才发生
论文里记录了一个时刻。游戏开始大约十分钟，一个叫 `janesick` 的 Agent 在聊天频道里说了一句：”我们分工吧。”
然后，在没有人类干预的情况下，四个 Agent 自己协商出了角色：
– gyldenia → 后勤（资源管理） – janesick → 工具制造与探索 – auratian → 关键技术攻关 – bulicame → 资源勘探与最终战斗
而且这些角色是动态的。打到不同阶段，会有人主动调整任务。这不是写在提示词里的”你负责挖矿他负责打怪”那种伪协作——是真的在运行时通过自然语言沟通涌现出来的分工。
这一点为什么重要？因为在当前绝大多数多 Agent 系统中，分工要么是硬编码的，要么是人在系统外分配的。而这里，是 Agent 自己在对话中产生的。这意味着：
– 如果某个 Agent 挂了，剩余的可以重新分配任务 – 如果某个方向卡住了，可以调整角色重点 – 不需要外部仲裁者
从工程角度看，这是多 Agent 系统走向”自治”必须跨的一道门槛。
605 次死亡里藏着真正的进步
累计 605 次死亡，平均每个 Agent 死了 151 次。放在普通的游戏 AI 里，这算一败涂地。
但在长期自主 Agent 的实验里，这反而是最值得看的数据点——因为每一次死亡都不是终点，而是共享记忆里的一条新记录。
有一次，`janesick` 带着 12 份烈焰粉（通关的关键材料）掉进了岩浆，掉落物被恶魂火球烧毁了。这不只是一个人的损失——是前几个小时辛苦收集的成果团灭。
如果是一个普通 Agent，这就 game over 了。
但系统里的反应是这样的：`auratian` 在聊天频道里提醒大家注意运输路线风险，`janesick` 总结了事故原因并把经验写进了共享记忆。下一次运货的主角改变了路线，避开了高危区域。
这不是”重试”——这是”学习”。
论文里的三个细节说明了这套机制的实际运作方式：
第一，经验跨 Agent 复用。 某个 Agent 摔死的教训，不需要其他 Agent 也摔一次才知道。共享记忆让一个 Agent 的付出成为全队的收益。
第二，上下文压缩（Context Compaction）。 整个任务产生了约 24000 次模型调用、13.5 亿输入 Token、1600 万输出 Token。不可能全塞进单次上下文。Agent 会主动把”当前任务、重要进展、未完成计划、关键教训”压缩提炼到外部记忆中，丢弃过时细节。
第三，程序执行→反馈→重写的闭环。 论文指出，每个 Agent 大约 40% 的时间花在”执行程序”，60% 的时间花在分析结果、推理和重写下一组代码。注意这个比例——Agent 的大部分时间不是在”做”事情，而是在”想”下一步怎么做。 如果你做过真实的 Agent 应用，就知道这是从”机械执行”迈向”自主决策”的关键信号。
四个冷冰冰的数据，每个都有含义
| 数据 | 数值 | 含义 | |—|—|—| | 总模型调用 | ~24,000 次 | 接近人类连续玩了 27 小时的思考频率 | | 总输入 Token | 13.5 亿（91% 来自上下文缓存） | 上下文缓存是这里能跑通的前提 | | 总输出 Token | 1600 万 | 生成了大量代码和推理过程 | | 程序错误率 | ~22% | AI 写的代码也不是一次跑通的 |
成本层面更值得算一笔账：按优惠 API 价格，这一趟大约烧了 520 美元。如果你真想让 AI 代打《我的世界》拿个通关成就，先想想你愿不愿意为这个成就花 520 块。
更何况目前还没有在多个随机地图上重复验证，论文只公布了一次成功案例。22% 的程序错误率、6 次服务器重启——这些都说明系统还没到”稳定”的级别。
但我不是来泼冷水的，我想说说这件事真正戳到我的是什么
2023 年斯坦福的”AI 小镇”论文出来的时候，大家都很兴奋——25 个 Agent 在沙盒里自己组织情人节派对、开咖啡馆、分享八卦。然后呢？几乎没有什么真正可落地的后续。
原因很简单：纯对话式的 Agent 协作，”看起来像”有社会性，但它做不出实质性、可验证的产出。
这次不一样。这次 Agent 产生的不是聊天记录，是有实际物理效果的代码——它们写了 2783 段 JavaScript，每一段都在 Minecraft 引擎里执行了，被执行结果检验了，好的策略被保留，坏的被迭代掉。
四人小队通过聊天进行协调，但输出的是可执行、可验证、可积累的工程产物。对话用于规划，代码用于执行，世界反馈用于验证。
这套结构，放在游戏里叫通关攻略，放在真实世界里叫多 Agent 协作框架的原型。
回到现实：这离真正的应用还有多远
前面说过，论文没有做足够多次的随机地图重复测试，这不是一个”稳定”的系统。
但这不重要——因为在当前阶段，最有价值的不是”AI 能稳定通关”，而是它证明了以下路径可以走通：
1. 多个 Agent 可以在没有硬编码分工的情况下自主形成角色分化。这意味着未来的 Agent 系统不需要人类预先设计”谁是负责人”——它们自己会商量出来。 2. Agent 可以通过”写代码→执行→看结果→改代码”的循环持续数小时打通一个复杂任务。这意味着 Agent 系统不是在”回答问题”，而是在持续运营。 3. 累计 605 次失败没有让系统崩溃。失败被编码为经验，经验被跨 Agent 共享。你回想一下，你现在用的任何 Agent 产品——如果某个子任务失败了，系统是”重试”，还是”学到了”？
这三条加在一起，指向一个我一直以来的判断：2026 年 Agent 领域真正应该卷的方向，不是单次任务的准确率，而是长时间跨度的自主生存能力。
单次推理的准确率，从 70% 提到 90%，用户体验是”好用了一点点”。但如果一个 Agent 系统能在 27 个小时里经历 605 次失败、写 2783 段程序、剩下 22% 的错误还能继续推进——那它不是在回答问题，它是在持有一份工作。
这才是值得行业认真对待的变化。
—
*论文：A team of Gemini 4 Argon agents beats Minecraft — arXiv: 2610.22319* *实验方：Google DeepMind* *工具：Gemini 4 Argon + Mineflayer（Minecraft JS 接口）* *模式：4 Agent 自主分工、代码生成执行、共享记忆、上下文压缩* *成本：约 520 美元（API 优惠价）*