rs-sdk
rs-sdk 是一个专为类《鲁恩斯科》(Runescape)风格的大型多人在线角色扮演游戏设计的自动化开发套件,旨在为编码智能体(Coding Agents)提供优化的研究与测试环境。它解决了在复杂经济体系和互动机制中,难以安全、高效地评估 AI 智能体自主决策、长期规划及多智能体协作能力的难题。
这套工具非常适合 AI 研究人员、开发者以及对智能体技术感兴趣的技术爱好者使用。通过内置的服务器模拟器和 TypeScript SDK,用户无需担心真实游戏环境中的封号风险或伦理限制,即可在隔离的沙盒中训练机器人完成从新手到满级的全流程任务。项目特别针对“目标导向的程序合成”技术进行了优化,支持研究智能体间的竞争与合作策略,并提供了公开的排行榜和模型基准测试数据以量化评估效果。
rs-sdk 的独特亮点在于其“开箱即用”的特性与高度可定制的游戏规则。为了加速开发迭代,模拟环境移除了反挂机随机事件,并提供无限奔跑能量和加速升级曲线。其架构采用网关模式,连接增强版 Web 客户端与后端模拟器,既支持直接连接公共演示服务器快速上手,也允许开发者本地部署以调整游戏 tick 率,满足高性能无头测试的需求。这是一个连接理论算法与复杂虚拟世界实践的理想桥梁。
使用场景
某 AI 研究团队希望在《鲁恩斯科》(Runescape)风格的复杂 MMO 环境中,测试大语言模型自主完成“从 1 级练至全技能 99 级”的长期规划与执行能力。
没有 rs-sdk 时
- 环境搭建极其繁琐:研究人员需自行逆向游戏协议、搭建服务器模拟器并编写底层通信代码,耗时数周才能跑通第一个"Hello World"脚本。
- 缺乏标准化测试场:直接在官方服务器运行机器人面临封号风险,且无法控制游戏变量(如随机事件干扰),导致实验数据不可复现。
- 代理开发门槛高:缺少专为 Coding Agent 优化的 SDK 绑定,模型难以理解游戏状态对象,常因解析错误导致动作执行失败。
- 效率评估困难:没有内置的排行榜和指标系统,难以量化对比不同模型在“单位时间内的等级提升效率”这一核心指标上的表现。
使用 rs-sdk 后
- 开箱即用的实验环境:通过
bun install和一行命令即可连接预设的演示服务器或本地实例,内置的服务器模拟器直接消除了逆向工程需求。 - 可控的纯净沙盒:利用其修改版游戏机制(无限奔跑能量、加速升级曲线、禁用随机事件),团队能在无干扰环境下专注于测试模型的决策逻辑。
- 原生支持智能体开发:rs-sdk 提供的 TypeScript SDK 和详细文档让 Coding Agent 能精准调用
walkTo等底层动作,大幅提升了任务合成的成功率。 - 内置量化评估体系:直接对接官方排行榜(Hiscores),实时基于“总等级/游玩时间”比率自动评估并对比不同 LLM 模型的自动化效率。
rs-sdk 将原本需要数月的游戏逆向与环境搭建工作压缩至几分钟,让研究人员能立即聚焦于多智能体协作与目标导向程序合成的核心算法验证。
运行环境要求
- 未说明
未说明
未说明

快速开始
RS-SDK
面向研究的Runescape风格机器人入门套件,包含TypeScript SDK、代理文档与绑定,以及服务器模拟器。开箱即用——只需告诉它要自动化什么!
在复杂的经济角色扮演MMO中构建和运行机器人。你可以自动化游戏进程,将一个账号练到所有技能99级,并在一个完全由机器人组成的安全环境中尝试智能体开发技术。
该项目的目标是为以目标为导向的程序合成技术(如Ralph循环等)提供丰富的测试环境,并促进对智能体之间协作与竞争的研究。
目前有一个在演示服务器上运行的机器人排行榜(https://rs-sdk-demo.fly.dev/hiscores),排名依据是每个账号在最短游戏时间内达到的总等级最高值。
有关不同LLM的评估结果,请参阅模型比较基准。
[!注意] RS-SDK是LostCity引擎/客户端的一个分支,这是一个非常出色的项目,没有它RS-SDK将无法实现。 他们的代码可以在这里找到,或者阅读他们的历史与理念。
快速开始:
git clone https://github.com/MaxBittker/rs-sdk.git
开箱即用,你可以连接到提供的演示服务器,并选择一个尚未被占用的用户名!
使用Claude Code:
bun install
claude "start a new bot with name: {username}"
手动操作:
bun install
bun bots/create-bot.ts {username}
bun bots/{username}/script.ts
默认情况下聊天功能已关闭,以防止诈骗和提示注入攻击,但你可以在bot.env文件中通过设置SHOW_CHAT=true来启用它。
警告:演示服务器仅作为便利设施提供,我们不保证其正常运行时间和数据持久性。请谨慎对待你的账号,并考虑自行托管服务器实例。请勿在演示服务器上手动游玩。
游戏玩法修改
该服务器对原版游戏进行了一些修改,以便于开发和机器人测试:
- 更快升级 - 经验曲线加速且坡度更缓。
- 无限跑步能量 - 玩家永远不会耗尽能量。
- 无随机事件 - 禁用了反机器人随机事件。
架构:
rs-sdk运行在一个增强的基于Web的客户端(botclient)之上,该客户端连接到LostCity 2004scape服务器模拟器。
有一个网关服务器,它接受来自botclient和SDK实例的连接,并根据用户名在它们之间转发消息。
一旦连接到网关,botclient会将游戏状态传递给SDK,并执行从SDK通过网关发送的低级别动作(例如walkTo(x,y))。
这意味着SDK不能直接与游戏服务器通信,而必须通过botclient。如果启动时未运行botclient,它将尝试自动启动。
你不需要运行网关/botclient即可在演示服务器上运行自动化脚本,但如果你正在修复bug或为rs-sdk项目添加功能,则可以选择运行它们。
在本地运行服务器
在本地运行服务器有许多优势,最主要的是可以设置较高的更新频率。
你可以在server/engine/.env文件中通过TICK_RATE变量设置更新频率(默认为600毫秒,可尝试200毫秒或30毫秒以获得更快的游戏体验,尤其适用于无头测试)。
你需要同时运行以下三个服务:
# 游戏引擎
cd server/engine && bun run start
# Web客户端打包工具
cd server/webclient && bun run watch
# 网关(连接SDK与bot客户端)
cd server/gateway && bun run gateway
网关默认监听ws://localhost:7780(可通过AGENT_PORT环境变量配置)。
2. 将机器人连接到本地网关
bot.env文件中的SERVER变量控制机器人连接的地址。要使用你的本地网关,请将SERVER留空:
BOT_USERNAME=mybot
PASSWORD=test
SERVER=
SHOW_CHAT=false
当SERVER为空时,所有连接路径(脚本、命令行)都会默认连接到ws://localhost:7780。
当SERVER设置为某个主机名(例如rs-sdk-demo.fly.dev)时,它们则会连接到wss://{SERVER}/gateway。
免责声明
这是一个免费、开源、由社区运营的项目。
其目的严格限于教育和科学研究。
LostCity服务器是在经过长时间的研究和同行评审后从零开始编写的。你所看到的一切都是完全透明的开源内容。
我们在此项工作上并未得到Jagex Ltd.的认可、授权或官方沟通。
你无法在这里玩《老派RuneScape》,购买RuneScape金币,或访问任何官方游戏的服务!在此开发的机器人将无法在官方游戏服务器上运行。
许可证
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备