Voyager: An Open-Ended Embodied Agent with Large Language Models

论文解决了什么问题

在 Minecraft 这类开放世界环境中，智能体需要持续探索、制定长期计划并积累可复用能力。现有基于大语言模型的 agent 通常只能一次性生成文本计划或调用固定工具，无法将经验沉淀为可执行、可检索的技能，也难以在长时间尺度上自主推进目标。

核心方法

Voyager 由自动课程、代码技能生成与可扩展技能库三个模块组成。自动课程根据当前状态提出探索目标；技能生成模块让 LLM 把动作写成代码，并通过环境报错与执行反馈迭代修正；验证通过的代码被存入技能库，后续任务可通过向量检索复用已有技能。

相比 AutoGPT 等仅生成文本计划或调用固定工具的 agent，Voyager 将行动编码为可执行代码并维护可检索技能库，使其在 Minecraft 中获得的独特物品数量显著多于 AutoGPT。

实验结论

• Voyager 获得的独特物品数量显著多于 AutoGPT
• 技能库中的代码可在新任务中被检索并成功执行
• 移除技能库或自动课程模块后，探索效率和任务完成率均下降

局限性与证据边界

适合谁阅读