四个 Gemini 4 Argon agent 自己打通了《我的世界》：27 小时、2783 个程序、605 次死亡
有个实验听着像段子，做完之后数据挺硬：四个通用编码 agent 被扔进一个随机生成的《我的世界》生存服，只拿到一句话的目标——打败末影龙。没人给它们分工，没人写攻略，也没人替它们准备任何游戏专用工具。
27 小时 14 分钟后，龙死了。论文标题就叫《A team of Gemini 4 Argon agents beats Minecraft》，2026 年 10 月 15 日挂到 arXiv（2610.22319），作者是 Maxence Faldor、Satinder Singh、Roberta Raileanu。
先把整套数字摆出来，后面再拆细节。
| 项目 | 数据 |
|---|---|
| 参与 agent | 4 个玩家 + 1 个观察者（同一个模型，各自一台云机器） |
| 环境 | Minecraft Java 1.20.4，生存模式，Easy 难度，随机种子，关闭作弊 |
| 工具 | 开源库 Mineflayer + 其寻路插件，无任何人工编写的游戏工具 |
| 指令 | 一段环境说明 + 一段通用要求，没有游戏策略 |
| 成绩 | 27 小时 14 分，2,783 个程序，229 条聊天，605 次死亡 |
| 判定 | 服务器日志里的成就：[Free the End] |
| 账单 | 胜利前约 520 美元（标准价 1,040 美元） |
最后一行值得单独看一眼：这场持续一天多的实验，按 API 列表价折算大约 520 美元。
一、实验搭得比想象中朴素
四个玩家各有一个 Mineflayer 机器人，跑在一台标准 Minecraft 服务器上。除此之外，它们各有一台自己的云机器，配的是做软件工程用的那套工具：带版本控制的代码工作区、shell、文件编辑、网页搜索，还有一个私有记忆区和一个团队共享记忆区。
第五个 agent 叫 Observer，全程只旁观不参与。它的指令是核对玩家的说法、报告规格作弊（specification gaming）和伪造结果、不改动游戏、只在环境出故障时介入。全程它没有加入游戏，也没有跑过一个程序。
玩家拿到的指令里，关于游戏的部分只有一句话：
目标是打败末影龙，起点是本次共享生存世界的出生点。……这是唯一的判据。生存模式规则内任何手段都可以，怎么分工由玩家自己决定。
另外几条要求是所有环境通用的：每一步动作都要验证结果，把可复用的能力做成工具，把踩过的坑写进共享记忆，如实汇报。这几条说的是「怎么做」，不是「做什么」。论文特别强调，环境说明里不含任何游戏策略。
二、它不按键，它写程序
这是整篇论文里最有意思的设定。agent 看不到像素，也不模拟键鼠，它的每次行动都是写一段 JavaScript：
// 走到某坐标，挖掉 16 格内所有铁矿程序交给玩家的 Mineflayer 机器人执行，跑完把文本结果打回来：坐标、血量、背包、找到了什么、报了什么错。agent 读完再写下一条。程序跑在异步函数体里，能加载 Node.js 内置模块和已安装的包，但不能起进程、不能写文件；挂在全局对象上的值可以跨程序保留。
节奏大概是：单个程序的中位运行时长 33.5 秒；每个玩家约有 40% 的时间有一个程序在跑，剩下 60% 花在读结果、想下一步、写下一个程序上。
这个设计把「玩游戏」变成了「写代码 + 读日志 + 调试」，跟真实的软件工作几乎同构。论文后面讨论局限时也承认，这比 SIMA 2 那种从像素加键鼠去玩要简单得多。
三、27 小时是怎么过的
从第一次程序到龙死，四个阶段。
0 小时：十分钟内自己组了队
第一个程序跑完十分钟，janesick 在聊天里提议分工。一分钟后 auratian 回了一个不一样的方案，gyldenia 回「Copy that!」。角色很快定下来：gyldenia 去找食物、床和燧石；bulicame 下矿挖钻石；janesick 烧铁做工具；auratian 准备下界传送门。
两小时内，铁工具、钻石、传送门全齐了。其中一个小细节：auratian 在村庄里直接找到 55 格岩浆，省了找岩浆的时间；janesick 放上最后一块黑曜石，两秒后 auratian 就把门点着了。计时 1 小时 42 分。
2 到 11 小时：下界，把每次损失变成一条规则
末影之眼需要两份材料：烈焰粉来自下界要塞的烈焰人，末影珍珠来自末影人。团队直接分头。
对付末影人用了一个很聪明的物理取巧：末影人被注视后会瞬移到玩家身边，但它将近三格高，钻不进两格高的空间。于是 gyldenia、auratian、bulicame 在诡异森林里盖了两格高的碉堡，站在里面等末影人自己送上门。5 小时 30 分，团队共用的箱子里攒到 15 颗珍珠。
麻烦在返程。把烈焰粉带回主世界花了六个多小时：janesick 背着十二份烈焰粉被烧死过一次，一枚恶魂火球炸掉了一整堆掉落物。这两次事故之后，团队的处理方式值得看：auratian 先在聊天里发了一条给所有人的经验，两分钟后 janesick 补上了根因和修复方案。
10 到 13 小时：两发末影之眼算出要塞位置
投掷的末影之眼会朝最近的要塞飞。janesick 在第 10 小时 45 分写了段程序：从两个位置各投一次，每 50 毫秒采样一次眼睛坐标，然后算两条射线的交点。
结果是 1.3 公里外的一个点，跟真实传送门房间的误差 43 米。程序里那段求交代码是它自己写的，坐标也是它自己填的。
之后是带物资过去。auratian 在离 bulicame 八米远的地方淹死了，身上带着全部十二颗末影之眼。janesick 和 auratian 各自把精确位置和眼睛消失的截止时间发给 bulicame，后者在只剩两分半的时候把十二颗全捡了回来。13 小时 17 分，末地传送门十二孔全开。
13 到 27 小时：花十四小时学怎么打龙
末地是全程最慢的一段。龙把它们杀了 69 次。两次尝试之间，它们去读龙的内部状态，细到当前行为阶段的编号，然后把规律写成规则：不要在到达平台上等，只在龙停栖时靠近，龙卡住就退出末地重置。
退出末地的方式是主动跳虚空：玩家死亡后会回到主世界的床上，这也是人类速通玩家常用的技巧。第 17 小时 30 分，四个人在六分钟内先后跳了下去，让空的末地卸载、卡住的龙重置。
转折点在第 21 小时左右。auratian 指出龙一直满血是因为黑曜石柱顶上的十颗治疗水晶，并且想出不用镐也能拆的办法：垫土爬上去，徒手打碎水晶，再徒手挖下来。接下来四小时四十分，十颗水晶全拆完。最后一颗碎掉 39 分钟后，龙死了，那一刻 bulicame 只剩 20 点血里的 2.5 点。
四、没人教，但长出来的团队习惯
229 条聊天里，有四类行为不是指令要求的，是指令之外自己长出来的：
分工固定下来。 gyldenia 后来拆了十颗水晶里的六颗；janesick 负责工具、找要塞、三角定位；auratian 点门、想出拆水晶的办法；bulicame 帮忙盖末影人碉堡，并在末地补上最后一刀。
共享笔记真的被用起来了。 第 19 分钟，gyldenia 提醒大家 Mineflayer 合成有个坑以及绕开的写法；带这个修复的辅助函数后来出现在四个人写的 655 个程序里。
自己造工具。 程序之间保留了 146 个状态和代码片段，其中 42 个是辅助函数：让机器人在水里保持漂浮的后台循环、带计时的行走、物品计数，还有一个计数器，作用是让超时程序留下的代码自己停下来。这个计数器被 1,519 个程序引用过。
互相兜底和主动纠错。 队友死了会去捡东西，遇到危险会立刻报警。auratian 有一次程序报了一个其实没发生的成功，两分钟后自己撤回：「我上一条聊天是一个没加保护的脚本分支」。janesick 刚被烧死一秒就报告「带着十二份烈焰粉回来了」，gyldenia 三分钟内指出了这个矛盾。
五、验证方式和账单
验证这件事，论文做得比较老实：2,783 个程序和它们的输出、全部聊天消息、服务器完整日志都留了档。胜利的凭据是服务器日志里的成就记录 [Free the End]，时间戳距离第一个程序 27 小时 14 分。所有程序没有一条使用服务器指令。
成本方面：胜利之前，四个玩家共处理约 13.5 亿输入 token（其中 91% 由上下文缓存服务），生成约 1,600 万输出 token（含 400 万思考 token），大约 24,000 次模型调用。按 Gemini 4 Argon 公开 API 的介绍价折合约 520 美元，标准价约 1,040 美元。把观察者 agent 和胜利之后那一天的运行算进去，整场约 810 美元（标准价 1,620 美元）。论文注明这是按列表价和会话 token 计数估算的，不等于模型的实际服务成本。
六、这份结果说明不了什么
论文自己列了六条限制，其中三条值得单独拎出来：
它看到的比人类多。 Mineflayer 会把周围方块和生物精确告诉 agent，包括藏在实心岩石后面的方块，以及龙的内部状态，这些人类玩家要么得自己看出来，要么根本看不到。寻路插件还会自动绕开障碍。论文直接点明：像 SIMA 2 那样从像素加键鼠玩，难度高得多。
难度是 Easy。 怪物会刷新会攻击，但伤害比 Normal、Hard 低，饥饿也不会致死。
模型本来就知道这些。 Gemini 4 Argon 的训练数据里有大量《我的世界》和 Mineflayer 知识。这场实验测的是「通用编码 agent 能不能把已有知识变成能干活的程序并维持一天以上的协作」，不是「它能不能玩一个从没见过的游戏」。
另外三条是过程性的：605 次死亡（多数死于怪物）、22% 的程序以报错结束、末地那一战打了将近 14 小时；服务器中途重启 6 次，累计中断约 20 分钟；以及这只是一次运行，而且是第一次尝试，样本量为 1，说明不了可靠性。
七、做 agent 的人能拿走什么
抛开「AI 打游戏」的趣味性，这篇论文里有几样能直接搬到自己系统里的东西。
通用指令的四条，比任何游戏攻略都管用。 每条动作验证结果、把重复劳动做成工具、把踩过的坑写进共享记忆、如实汇报结果。这四条贯穿了整场协作，而它们都不规定内容，只规定习惯。反过来看，如果指令细到「先挖木头再做工作台」，就等于替 agent 做了规划，长程能力也就无从体现。
观察者是干净的验收机制。 一个不参与、只有核对权的 agent，负责比对玩家的自述和服务器记录，并专门盯规格作弊。这套结构在真实业务里同样适用：生产者与核验者分离，核验者不能改数据。
记忆要按「能不能活过压缩」来写。 agent 的上下文会满，会压缩。论文的指令明确要求把必须撑过压缩的内容（进行中的工作、下一步）留在记忆里。这不是理论问题，2,783 个程序、一天多的跨度，任何一次压缩丢错东西都可能让计划断掉。
跟先前工作比，差别在「给了什么」。 Voyager 需要自动课程和不断增长的技能库，DEPS、GITM、JARVIS-1 这类需要游戏专用规划器或知识库；两条社区记录也各有前提：单个 Claude Opus 5 agent 调 37 个高层游戏工具、Normal 难度，另一条是规划器加动作选择模型、固定速通种子、Peaceful 难度。这次给的是原版 Mineflayer、一段话目标、一套通用指令，别的什么都没有。
人类玩家的对照数据也摆在那：主线剧情中位时长 45 小时，随机种子速通世界纪录不到 7 分钟。四台机器、27 小时、605 次死亡，放在这两个数字之间，位置很清楚。
论文没有喊「通用智能」。它只是把一次长程任务完整录了下来：2,783 个程序、229 条聊天、605 次死亡，任何一条都能查。