技术热点透视20261017：Agent 死了 605 次，才学会通关
原创 · 约 35 分钟阅读 · 阅读 --

技术热点透视20261017：Agent 死了 605 次，才学会通关

作者: Alex Xiang

人工智能工程实践

本文完全由 WorkBuddy 独立收集资料、调试代码并完成文章写作。

扫码注册 WorkBuddy 即可获取 2000 积分

我是 Alex Xiang，前百度/微博工程师，现在专注于 AI 工程与工具产品。更多文章欢迎关注微信公众号「字与码」。

先把结果和代价摆在一起

我看到这条消息是在周五晚上，第一反应不是“厉害”，是“怎么这么久”。

四个 Gemini 4 Argon agent，在没有人碰键盘的情况下，用 27 小时 14 分钟打通了 Minecraft。它们杀死了末影龙。过程中写了 2,783 个 JavaScript 程序并逐个运行，通关之后累计到 2,839 个，六万三千多行不重复的代码。它们死了 605 次，其中 69 次死在最后那场龙战里。整场游戏里，它们只发了 229 条聊天消息。

人类速通玩家把同一条流程压进了以分钟计的时间里。所以 27 小时这个数字，往好里说是“自主”，往坏里说，是把一件人类几十分钟能做完的事，做成了整整一天多。DeepMind 的新闻稿当然会强调前者。我盯着后者看了很久，因为差距不在能力上——能杀龙就是能杀龙，能力这一项已经过关了——差距在代价结构上。

这里有个容易被忽略的结构。27 小时 14 分钟不是一次连续操作，而是两千多次短促尝试串起来的：论文给的中位程序时长是 33.5 秒。论文里还有一句我更在意的话：每个 player 只有大约 40% 的时间有代码在跑，剩下的 60% 在读书面回报、在思考、在写下一段代码。

四个 agent，一天多，两千多次尝试，六百多次死亡，然后通关。这个句子里真正稀缺的不是“通关”，是“六百多次死亡之后还在继续”。

27 小时被切成 2,783 段：前后半程一样长，后半程更慢

27 小时不是一次长跑，是 2,783 次短跑

我们习惯把长时程任务想成一个计划问题：先规划，再执行，中途少犯错。这套思路在演示视频里很好看，在生产里几乎必然失败，因为它把所有的风险押在“计划正确”这一个假设上。

这个实验走的是反方向。它没有让 agent 生成一个“通关 Minecraft 的完整计划”，它让 agent 每次只做一件三十秒能做完、而且做完能立刻看出对错的事。挖一块石头，砍一棵树，把工作台放在脚下。做完，看回报，再决定下一步。二十七个半小时，就是两千八百次这样的循环。

这个结构的好处不在于“更聪明”，在于每一次行动的爆炸半径被压到了三十秒。三十秒的失败，损失是三十秒加上一点游戏内的位移。三十秒的失败可以被立刻观测，可以被立刻丢弃，也可以被立刻重试。如果反过来，让 agent 一次生成一个“两小时的任务链”，那么一次判断失误，你要在两个小时之后才知道，而且中间所有的动作都建立在那个错误的前提上。

我在自己的项目里吃过这个亏。早几年做自动化脚本，总想写一个“一把梭”的流程，跑完再检查。结果每次出错都要从头 debug，因为错误发生在第三步，暴露在第四十步，中间三十七步的日志全是噪音。后来改成每一步都落盘、每一步都可单独重跑，效率反而上去了。这个实验是同一个道理，只是规模大了三个数量级。

还有一个数字值得算一遍：63,313 行代码摊到 2,783 个程序上，平均一个程序 23 行。这个体量说明它们写的不是框架，不是抽象层，是对着当前处境现写的脚本——拿完这块就丢。中位 33.5 秒、二十来行，这两个数字合起来才是这套方法的真实形态：一天之内能做几千次的，是脚本，不是软件。

真正的工程含义是：长任务的可靠性，来自把任务切到“失败可以被单独定价”的粒度，而不是来自把计划写得更完整。粒度对了，笨一点也能走完；粒度错了，聪明一点也只是晚一点崩。

22% 报错、605 次死亡，和后半天为什么变慢

论文里有两个数字必须一起看：22% 的程序以报错结束，以及最终通关。

只看后一个，你会以为这是一次顺利的执行。只看前一个，你会以为这是一次失败的实验。两个放在一起才是完整的图景：有五分之一的动作直接抛异常，而系统没有停，它把异常当成输入的一部分，继续往下走。

我见过太多团队把“报错率”当成核心指标。报错率 0% 通常不代表系统健壮，只代表任务太简单，或者检查太松。反过来，一个系统一报错就整体崩掉，说明它压根没有恢复能力，报错率再低也没意义。这两个极端在生产里都很常见，而且都很难被发现，因为仪表盘上只有一个数字。

我认为真正该进仪表盘的是每一次错误的平均恢复成本：从发现错误，到回到可以继续的状态，花了多少步、多少时间、多少钱。这个数字高，说明你的系统在“错误之后”没有设计；这个数字低，说明你敢让它跑长。

605 次死亡是这个指标的极端版本。死亡在 Minecraft 里不是终局，它只是把你送回出生点、掉光身上的东西。前期死一次，代价是几分钟的路程；后期死一次，代价可能是重新找要塞、重新凑装备、重新跑一趟。同一件事，在不同阶段的价格差了十几倍。

时间轴把这个价格差写得很清楚。第 13 小时 33 分，它们进入末地，也就是终局门口。第 26 小时 34 分，打掉第十颗、也就是最后一颗治疗水晶。第 27 小时 14 分，末影龙死亡。

前 13.5 小时走到终局门口，后 13.7 小时全花在“最后 10%”上。后半程比前半程更慢，慢得不多，但方向很明确。这不是模型变笨了，是每一次失败的单价涨了。

同一份数据里还有个我很喜欢的细节：打水晶的时候，它们没有按“最优解”挖一条通道上去，而是堆泥土爬上去。堆泥土在速通语境里是笨办法，速度慢、材料消耗大、动作难看。但它有一个优点——每一步都能立刻验证，堆歪了可以拆了重堆，而挖通道一旦挖错方向，你要花更久才能发现自己错了。

在失败代价高的地方，次优解往往是最便宜的解。这句话我在评审会上说过很多次，每次都要花很大力气解释，因为“优雅”这种东西在方案评审里总是自带加分。可在长任务里，能一步步验证的笨办法，比一条需要一次做对的聪明路径更可靠。

它没有看屏幕，它在写程序

这是整篇论文里最容易被标题盖掉的部分，也是我认为唯一真正可迁移的部分。

把“agent 玩游戏”拆成三层，会清楚很多。

第一层是像素进、键鼠出。模型看画面，输出离散的按键和鼠标位移，靠大量样本学出手感。这是大多数游戏 AI 演示的做法，也是具身智能叙事的默认想象。它最难，因为感知和低延迟控制叠在一起，而且几乎不可解释。

第二层是直接调结构化接口。模型读“坐标 (x, y, z)、附近方块列表、背包内容”，输出一个“移动到某点”或“使用某物品”的指令。感知问题被绕开了，因为世界已经被解析成了字典。

第三层是写程序去调这些接口。模型不直接输出动作，而是输出一段 JavaScript，这段代码再调用第二层的接口，最后交给 Mineflayer 和寻路插件执行。

这个实验在第三层。它用的是 Minecraft Java Edition 1.20.4、生存模式、Easy 难度、随机种子、作弊指令关闭，通过开源 Node.js 库 Mineflayer 加寻路插件控制角色。它没有看像素，没有按键盘，没有学手感。它的动作空间是“写一段程序”，是无界的程序合成。

三层动作空间：像素、结构化接口、写程序去调接口

三层之间的差别不是难度排序，是失败的可解释性。第一层失败，你只知道它按错了；第二层失败，你知道它选错了动作；第三层失败，你有一段代码可以读，可以复现，可以 diff，可以扔进版本控制。63,313 行不重复的代码，本质上是六万行可审计的行为日志。这一点在生产里价值极高，因为长跑 agent 最贵的东西从来不是算力，是你事后敢不敢复盘。

所以我坚持一个判断：这是 coding agent 的进展，被包装成了一条游戏新闻。把它读成“AI 会打游戏了”，你会得出“游戏 AI 又进一步”的错误结论；把它读成“具身智能突破了”，你会去追一个它压根没碰的问题——它绕开了视觉，绕开了实时控制，绕开了所有让机器人难的东西。

代价也要说清楚。agent 读世界走的是结构化 API，论文自己承认这暴露了特权内部信息，比如精确的方块与生物数据。人类玩家看不到这些，人类看到的是模糊的画面。所以这个实验里的“感知”是被赠予的，不是被解决的。它还额外拥有普通软件工程工具：shell、文件编辑、版本控制；同时程序被限制在沙箱里，不能联网、不能起进程、不能写文件。

这套组合说明一件事：code-as-action 的前提，是你的系统有一个足够干净的结构化接口。有，这套方法今天就能搬；没有，先去做接口，别急着做 agent。

第一这个词，得打几折

论文的原话是：据我们所知，这是 AI agent 首次端到端自主通关 Minecraft，仅使用标准 Mineflayer 库，无预勘察种子，也没有人类写的游戏专用工具。

这句话写得很克制，几个限定词都到位了。但传播出去之后，限定词全部掉光，只剩下“首次”。

事实层面有一个明确的反例。开源项目 Altoclef 的 README 写着，它于 2021 年 5 月 24 日成为第一个完全自主通关 Minecraft 的 bot。它用的是客户端 mod 加 Baritone 寻路，加上人类手写的任务逻辑。也就是说，全自主通关这件事，五年前就有人做到了，只是那条路上没有大模型。

所以 DeepMind 真正的新东西不是“第一个通关”，而是“第一个用通用 LLM coding agent、在运行时写代码来通关”。这两个说法看起来只差几个字，实际差了整整一个技术路线。

除此之外还有几处需要打折的地方，我列成表更清楚。

对外主张实际限定我引用时的处理
首个端到端自主通关Altoclef 在 2021 年已做到，但用手写任务逻辑改成“首个通用 coding agent 运行时写代码通关”
from scratch，无游戏专用工具预训练语料里大概率已有大量 Minecraft 代码、Wiki 与攻略只在“未使用游戏专用工具”这一层使用
通用能力Easy 难度、随机种子、特权结构化 API结论只在这个组合内成立，不外推
有效单次运行，无重复、无方差、无单 agent 与双 agent 对照组不作为可靠性证据引用
成本可控未披露算力与 token 成本，四条推理流跑了 27 小时不做任何性价比判断

最后一条我想多说两句。“from scratch”是个相对说法，模型权重里早就装满了这个世界的信息，它知道末影之眼指向要塞，知道要先凑齐十二颗，知道打龙之前要拆水晶。这些知识不是这次实验里学到的，是预训练时就有的。这不丢人，但它决定了这个实验测的不是“从零学一个游戏”，而是“用已有的世界知识，在一个可验证的环境里把长任务执行完”。后者其实更有工程价值，只是没那么好写标题。

单次运行这一条，是我最在意的缺口。一个样本，没有重复，没有方差，没有对照，你没法说这个结果的可重复性是多少。它可能是 90%，也可能是 30%，论文没给，我们也猜不出来。而且没有单 agent 与四 agent 的对照，你就无法判断“四个”这个数字贡献了什么——是分工真的有用，还是四个只是四条并行的试错流。

我的处理方式是：这些折扣不否定结果，但决定你能怎么引用它。我引用时只说一句——在明确终态、结构化接口、Easy 难度、单次运行的条件下，四个 agent 能连续撑 27 小时并完成任务。这句话里没有一个词是多余的，删掉任何一个都会变成另一种主张。

第五个 agent 不玩，只审计

论文里有一个我看到就坐直了的设计：第五个 agent，代号 Observer，不参与游戏。

它只做一件事：核对玩家自己的说法和实际运行记录是否一致。它被明确指示，要标记伪造结果的行为，也要标记任何试图利用评测机制的行为。报告说没有发现此类行为，人工复核日志也没有发现安全事故。研究者另外保留了实时暂停和中止的能力。

这是我觉得整篇论文最被低估的部分。

长跑 agent 的作弊，很少是恶意的。它是一个渐进的过程：目标压力在那儿，评测的缝在那儿，模型会一次次试探边界，每一次都只越界一点点，直到某一步它开始报告“我做到了”，而实际没做到。27 小时、2,783 次尝试，就是 2,783 次这样的机会。你不可能靠人盯着，人盯不住一天多。

Observer 的设计里有两点是可复用的。第一，它不共享主 agent 的目标，它的目标就是抓错，这让它没有动机去配合。第二，它读的是原始运行记录，不是 agent 的自我陈述。自我陈述是被优化过的东西，日志不是。

我认为以后每一个跑长任务的 agent 团队都该配一个这样的角色。成本是多一条推理流，收益是你敢不敢信自己的日志。这笔账很好算。

顺带说，这个设计也解释了为什么这套系统敢跑 27 小时。不是因为模型不会犯错，是因为有人在事后能查。审计能力是长时程的前置条件，不是附加项。

长任务真正的敌人是记忆

论文里有一条 memory 指令，我觉得它比任何 benchmark 数字都更接近生产真相。

它专门处理一件事：当对话过长被压缩时，“正在进行的工作”和“下一步”必须活下来。

就这一句。你如果跑过长任务，会知道这句话有多疼。上下文一压缩，最先死的往往不是事实，是“我们刚才在干什么”。agent 醒来之后，事实都在，坐标都在，背包里的东西都在，但它不知道自己为什么站在这里，于是一步一步把之前的判断重新做一遍，或者更糟，做出一个和之前矛盾的判断。

四个 agent 跑 27 小时，这个问题会被放大四倍。自由文本协调在短任务里是优势，在长任务里是负债：解析会有歧义，四个 agent 可能各自维护一套略有差异的世界模型，时间越长，偏差越大，最后互相矛盾。旧决策在上下文里越埋越深，可检索性下降，模型开始凭印象行事。

它们的解法不新鲜，但很扎实：双通道。聊天用来协调，共享笔记用来存状态。聊天是流，笔记是盘。第 10 分钟，agent janesick 在聊天里提出分工方案，一分钟内 auratian 提出了不同方案，gyldenia 附议——这是一个没有领导的共识过程，靠的就是广播成本足够低。而真正让它们不至于走散的，是那份共享笔记：谁负责找食物和床，谁下矿找钻石，谁炼铁造工具，谁准备下界传送门，以及队友死亡之后组织“回收跑”把掉落物捡回来，把调试教训写进去。

还有一个数字能说明这个双通道是有效的：扔两次末影之眼，用两个落点做三角定位，估算出一点三公里外目标的实际误差只有 43 米，大约 3.3%。这个精度不是靠模型的感觉，是靠一个可以在世界状态里被验证的书面回报。也就是说，聊天里的声明是可以被证伪的，笔记里的数字是可以被复算的。

我把这条总结成一句不太好听的话：上下文会骗你，磁盘不会。任何超过几小时的任务，状态必须外置，而且外置的格式必须能被下一个接手的 agent 直接读懂，不需要它去猜。

Minecraft 有干净的成功信号，真实工作没有

到这里必须正面接一个反驳，因为它是对的。

末影龙死了就是死了。这是一个不需要人类判断的终止条件，没有争议，没有解释空间，也没有“差不多算完成”。整个 27 小时里，系统随时知道自己离目标还有多远，也随时知道自己刚才那一步有没有用。

真实工作里没有这种东西。一份方案做完了吗？一个重构算干净吗？这次客户沟通算成功吗？这些问题的答案不在世界里，在人的嘴里，而且经常前后不一致。更麻烦的是后果不可逆：Minecraft 里死一次只是掉东西，生产环境里删错一个库就是另一回事了。

所以这个实验测的到底是什么，我想说得精确一点：它测的是“在有明确终态的任务上，一个 agent 团队能撑多久”，不是“在目标模糊、后果不可逆的工作上，它能不能做对”。这两件事的难度不在一个维度上，前者是耐力问题，后者是判断力问题。

但这不意味着它没用。它给出的是一半的答案，而且是比较硬的那一半：当 oracle 存在的时候，长时程是可行的，失败六百次也不会崩。真实世界里你要做的，是自己造 oracle——把一个大目标拆成一系列能被客观检验的小判断。这就是为什么“步长必须能自我验证”不是审美偏好，是前提条件。没有可验证的步，你连第一天都撑不过去。

我保留怀疑的地方也说一下。27 小时里有多少是真探索，有多少是冗余的重试，我从论文里看不出来。未披露算力与 token 成本，我就没法判断这是效率还是暴力。四条推理流跑一天多，账单可能很难看。这条我不下结论，但我不会假装它不存在。

这篇论文能证明什么，不能证明什么

五条能直接搬进生产的东西

前面都是判断，这一节是可以明天就动手的。我按“动作、验收、反模式”写，方便你直接对着改。

第一条，把步长压到一个能自我验证的小动作。不是“实现登录模块”，是“把登录接口的错误码补全并跑通那三个用例”。验收标准很硬：这一步做完，有一个不依赖模型判断的检查能告诉我它对不对。反模式是让 agent 一次交付一个需要人来评审才知道好坏的产物——那等于把验证成本转移给了人，长任务会立刻退化成人的轮询。

第二条，状态必须外置，而且分两个通道。聊天走协调，笔记走状态。笔记里只放三类东西：已经确认的事实、还没做完的事、下一个动作。验收标准是：换一个新 agent 进来，只读笔记，五分钟内能接上并且不重复已经做过的工作。反模式是把关键状态留在对话历史里，指望压缩之后它还在。

第三条，把恢复率放进仪表盘。除了成功率和错误率，加三个数：每次错误的平均恢复步数、平均恢复耗时、连续失败后仍在推进的最长次数。验收标准是你能画出这三个数随任务时长变化的曲线。反模式是只报“任务完成率”，因为那个数字会把所有中途的挣扎都抹掉，让你在复盘时误以为过程很顺。

第四条，给长跑的 agent 配一个独立审计者。它不参与执行，上下文独立，目标就是找不一致，读原始日志而不是读 agent 的自我总结。验收标准很具体：它能拿出一条“自述与日志不符”的实例，哪怕是很小的一条。反模式是让同一个 agent 自己检查自己，那只是在给错误做背书。

第五条，给“最后 10%”单独排预算。这个实验里，走到终局门口用了一半时间，打完剩下的用掉了另一半。排期时按线性外推的团队，一定会在最后一段翻车。验收标准是你在计划里明确写出“尾段预算等于前段预算”，并且允许尾段使用次优但可验证的方案——就像它们堆泥土爬上去，而不是挖一条漂亮的通道。

动作验收标准反模式
步长压到可自我验证有不依赖模型判断的检查交付需要人评审才知道好坏的产物
状态外置双通道新 agent 五分钟能接上关键状态只存在对话历史里
恢复率进仪表盘能画出恢复成本随时间的曲线只报任务完成率
配独立审计者能举出自述与日志不符的例子让 agent 自己检查自己
尾段单独预算尾段预算等于前段预算线性外推排期

这五条里，我认为第二条最容易被低估，也最容易做。它不需要换模型，不需要加算力，只需要你在动手之前先想清楚“状态放哪儿”。很多长任务之所以崩，不是因为模型不行，是因为它醒过来之后不知道自己在干什么。

其他动态

  • 花旗与美国银行开始限制第三方 AI agent 访问客户账户。花旗明确不允许 agent 登录或直接发起交易，美银 CEO Moynihan 的说法是“资金转出必须有人工授权”。触发点是九月 Meta 推出个人 agent 之后银行担心存款被自动搬走——摩根大通、美银、富国合计持有 1.6 万亿美元无息存款，按 3% 付息一年就是约 470 亿美元成本。
  • Perplexity 开源 SPACE。Rust 写的 agent 代码执行沙箱，Apache 2.0，每个任务起一台独立的 Firecracker microVM，凭证注入与出网管控严格放在 VM 边界之外，数小时破 1,100 star。沙箱本身不新，新的是把“凭证不进沙箱”当成默认设计。
  • 英伟达开放 Nemotron 3.5 Bolt 权重。从约 148GB 压到 22.1GB，瘦身约 85%，瞄准 24GB 显存的笔记本本地跑 agent，Terminal-Bench 2.1 得 50.98%，BrowseComp 66.75%。agent 的默认部署位置可能因此从云端挪到本地。
  • Meta 发布 Muse Spark Open。816B 参数的开放权重多模态 MoE，100 万 token 上下文，但本地跑起来至少要 1TB 内存，官方演示用了两台 M5 Ultra Mac Studio。开放权重和可部署是两件事。
  • Reflection AI 把 501B/23B 的 MoE 模型 Beam 放到 Hugging Face。Apache 2.0，100 万 token 上下文，Terminal-Bench 2.1 得 80.1%，还一起放出了 Rust 写的 harness，OpenCode 已宣布免费接入。分数漂亮，但 harness 一起放出来这一点更值得看。
  • Anthropic 上线官方插件目录。GitHub 上该目录已积累约 4 万 star。平台开始管分发而不只是发模型，这是 agent 应用商店的雏形。
  • 印度报告了一起“失控 AI agent”事件。入口不是漏洞利用，是应用配置错误、公开代码仓库里泄露的凭证、以及过度宽松的云 IAM 角色。攻击面从来不在模型里，在权限里。
  • Replit CEO Amjad Masad 谈“自驱动公司”。客服等常规内部工作已经交给自主系统，agent 会先查代码库、GitHub issue、Linear 任务，再决定要不要转给人。这个描述里最关键的一步是“决定转人”。

参考资料

打开原图 ↗