[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-MineDojo--Voyager":3,"tool-MineDojo--Voyager":65},[4,17,27,35,48,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-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。\n\n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。\n\n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",150037,2,"2026-04-10T23:33:47",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},4487,"LLMs-from-scratch","rasbt\u002FLLMs-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。\n\n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。\n\nLLMs-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",90106,3,"2026-04-06T11:19:32",[15,26,14,13],"图像",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":10,"last_commit_at":33,"category_tags":34,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":10,"last_commit_at":41,"category_tags":42,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",85092,"2026-04-10T11:13:16",[26,43,44,45,14,46,15,13,47],"数据工具","视频","插件","其他","音频",{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":54,"last_commit_at":55,"category_tags":56,"status":16},5784,"funNLP","fighting41love\u002FfunNLP","funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为\"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。\n\n面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。\n\n无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。",79857,1,"2026-04-08T20:11:31",[15,43,46],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":23,"last_commit_at":63,"category_tags":64,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[14,26,13,15,46],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":96,"env_os":97,"env_gpu":98,"env_ram":98,"env_deps":99,"category_tags":109,"github_topics":110,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":115,"updated_at":116,"faqs":117,"releases":148},6403,"MineDojo\u002FVoyager","Voyager","An Open-Ended Embodied Agent with Large Language Models","Voyager 是首个基于大语言模型（LLM）的“具身终身学习”智能体，专为在《我的世界》（Minecraft）环境中自主探索而设计。它无需人类干预，便能像真实玩家一样持续探索世界、习得多样技能并发现新事物，有效解决了传统 AI 代理难以适应开放环境、容易遗忘已学知识以及缺乏长期规划能力的难题。\n\n这款工具特别适合人工智能研究人员、开发者以及对具身智能和强化学习感兴趣的技术爱好者。Voyager 的核心亮点在于其独特的三大组件：自动生成最大化探索的课程体系、可不断累积且可执行的代码技能库，以及结合环境反馈与自我验证的迭代提示机制。它直接通过黑盒查询调用 G-4 模型，无需微调参数，就能生成具有时间延展性、可解释且可组合的技能代码。实验表明，Voyager 在获取物品数量、移动距离及解锁科技树速度上均大幅超越现有技术，并能将学到的技能灵活迁移至全新地图中解决陌生任务，展现了强大的泛化与终身学习能力。","# Voyager: An Open-Ended Embodied Agent with Large Language Models\n\u003Cdiv align=\"center\">\n\n[[Website]](https:\u002F\u002Fvoyager.minedojo.org\u002F)\n[[Arxiv]](https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.16291)\n[[PDF]](https:\u002F\u002Fvoyager.minedojo.org\u002Fassets\u002Fdocuments\u002Fvoyager.pdf)\n[[Tweet]](https:\u002F\u002Ftwitter.com\u002FDrJimFan\u002Fstatus\u002F1662115266933972993?s=20)\n\n[![Python Version](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.9-blue.svg)](https:\u002F\u002Fgithub.com\u002FMineDojo\u002FVoyager)\n[![GitHub license](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002FMineDojo\u002FVoyager)](https:\u002F\u002Fgithub.com\u002FMineDojo\u002FVoyager\u002Fblob\u002Fmain\u002FLICENSE)\n______________________________________________________________________\n\n\nhttps:\u002F\u002Fgithub.com\u002FMineDojo\u002FVoyager\u002Fassets\u002F25460983\u002Fce29f45b-43a5-4399-8fd8-5dd105fd64f2\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMineDojo_Voyager_readme_762d49ad8e9b.png)\n\n\n\u003C\u002Fdiv>\n\nWe introduce Voyager, the first LLM-powered embodied lifelong learning agent\nin Minecraft that continuously explores the world, acquires diverse skills, and\nmakes novel discoveries without human intervention. Voyager consists of three\nkey components: 1) an automatic curriculum that maximizes exploration, 2) an\never-growing skill library of executable code for storing and retrieving complex\nbehaviors, and 3) a new iterative prompting mechanism that incorporates environment\nfeedback, execution errors, and self-verification for program improvement.\nVoyager interacts with GPT-4 via blackbox queries, which bypasses the need for\nmodel parameter fine-tuning. The skills developed by Voyager are temporally\nextended, interpretable, and compositional, which compounds the agent’s abilities\nrapidly and alleviates catastrophic forgetting. Empirically, Voyager shows\nstrong in-context lifelong learning capability and exhibits exceptional proficiency\nin playing Minecraft. It obtains 3.3× more unique items, travels 2.3× longer\ndistances, and unlocks key tech tree milestones up to 15.3× faster than prior SOTA.\nVoyager is able to utilize the learned skill library in a new Minecraft world to\nsolve novel tasks from scratch, while other techniques struggle to generalize.\n\nIn this repo, we provide Voyager code. This codebase is under [MIT License](LICENSE).\n\n# Installation\nVoyager requires Python ≥ 3.9 and Node.js ≥ 16.13.0. We have tested on Ubuntu 20.04, Windows 11, and macOS. You need to follow the instructions below to install Voyager.\n\n## Python Install\n```\ngit clone https:\u002F\u002Fgithub.com\u002FMineDojo\u002FVoyager\ncd Voyager\npip install -e .\n```\n\n## Node.js Install\nIn addition to the Python dependencies, you need to install the following Node.js packages:\n```\ncd voyager\u002Fenv\u002Fmineflayer\nnpm install -g npx\nnpm install\ncd mineflayer-collectblock\nnpx tsc\ncd ..\nnpm install\n```\n\n## Minecraft Instance Install\n\nVoyager depends on Minecraft game. You need to install Minecraft game and set up a Minecraft instance.\n\nFollow the instructions in [Minecraft Login Tutorial](installation\u002Fminecraft_instance_install.md) to set up your Minecraft Instance.\n\n## Fabric Mods Install\n\nYou need to install fabric mods to support all the features in Voyager. Remember to use the correct Fabric version of all the mods. \n\nFollow the instructions in [Fabric Mods Install](installation\u002Ffabric_mods_install.md) to install the mods.\n\n# Getting Started\nVoyager uses OpenAI's GPT-4 as the language model. You need to have an OpenAI API key to use Voyager. You can get one from [here](https:\u002F\u002Fplatform.openai.com\u002Faccount\u002Fapi-keys).\n\nAfter the installation process, you can run Voyager by:\n```python\nfrom voyager import Voyager\n\n# You can also use mc_port instead of azure_login, but azure_login is highly recommended\nazure_login = {\n    \"client_id\": \"YOUR_CLIENT_ID\",\n    \"redirect_url\": \"https:\u002F\u002F127.0.0.1\u002Fauth-response\",\n    \"secret_value\": \"[OPTIONAL] YOUR_SECRET_VALUE\",\n    \"version\": \"fabric-loader-0.14.18-1.19\", # the version Voyager is tested on\n}\nopenai_api_key = \"YOUR_API_KEY\"\n\nvoyager = Voyager(\n    azure_login=azure_login,\n    openai_api_key=openai_api_key,\n)\n\n# start lifelong learning\nvoyager.learn()\n```\n\n* If you are running with `Azure Login` for the first time, it will ask you to follow the command line instruction to generate a config file.\n* For `Azure Login`, you also need to select the world and open the world to LAN by yourself. After you run `voyager.learn()` the game will pop up soon, you need to:\n  1. Select `Singleplayer` and press `Create New World`.\n  2. Set Game Mode to `Creative` and Difficulty to `Peaceful`.\n  3. After the world is created, press `Esc` key and press `Open to LAN`.\n  4. Select `Allow cheats: ON` and press `Start LAN World`. You will see the bot join the world soon. \n\n# Resume from a checkpoint during learning\n\nIf you stop the learning process and want to resume from a checkpoint later, you can instantiate Voyager by:\n```python\nfrom voyager import Voyager\n\nvoyager = Voyager(\n    azure_login=azure_login,\n    openai_api_key=openai_api_key,\n    ckpt_dir=\"YOUR_CKPT_DIR\",\n    resume=True,\n)\n```\n\n# Run Voyager for a specific task with a learned skill library\n\nIf you want to run Voyager for a specific task with a learned skill library, you should first pass the skill library directory to Voyager:\n```python\nfrom voyager import Voyager\n\n# First instantiate Voyager with skill_library_dir.\nvoyager = Voyager(\n    azure_login=azure_login,\n    openai_api_key=openai_api_key,\n    skill_library_dir=\".\u002Fskill_library\u002Ftrial1\", # Load a learned skill library.\n    ckpt_dir=\"YOUR_CKPT_DIR\", # Feel free to use a new dir. Do not use the same dir as skill library because new events will still be recorded to ckpt_dir. \n    resume=False, # Do not resume from a skill library because this is not learning.\n)\n```\nThen, you can run task decomposition. Notice: Occasionally, the task decomposition may not be logical. If you notice the printed sub-goals are flawed, you can rerun the decomposition.\n```python\n# Run task decomposition\ntask = \"YOUR TASK\" # e.g. \"Craft a diamond pickaxe\"\nsub_goals = voyager.decompose_task(task=task)\n```\nFinally, you can run the sub-goals with the learned skill library:\n```python\nvoyager.inference(sub_goals=sub_goals)\n```\n\nFor all valid skill libraries, see [Learned Skill Libraries](skill_library\u002FREADME.md).\n\n# FAQ\nIf you have any questions, please check our [FAQ](FAQ.md) first before opening an issue.\n\n# Paper and Citation\n\nIf you find our work useful, please consider citing us! \n\n```bibtex\n@article{wang2023voyager,\n  title   = {Voyager: An Open-Ended Embodied Agent with Large Language Models},\n  author  = {Guanzhi Wang and Yuqi Xie and Yunfan Jiang and Ajay Mandlekar and Chaowei Xiao and Yuke Zhu and Linxi Fan and Anima Anandkumar},\n  year    = {2023},\n  journal = {arXiv preprint arXiv: Arxiv-2305.16291}\n}\n```\n\nDisclaimer: This project is strictly for research purposes, and not an official product from NVIDIA.\n","# Voyager：基于大型语言模型的开放式具身智能体\n\u003Cdiv align=\"center\">\n\n[[官网]](https:\u002F\u002Fvoyager.minedojo.org\u002F)\n[[Arxiv]](https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.16291)\n[[PDF]](https:\u002F\u002Fvoyager.minedojo.org\u002Fassets\u002Fdocuments\u002Fvoyager.pdf)\n[[推文]](https:\u002F\u002Ftwitter.com\u002FDrJimFan\u002Fstatus\u002F1662115266933972993?s=20)\n\n[![Python版本](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.9-blue.svg)](https:\u002F\u002Fgithub.com\u002FMineDojo\u002FVoyager)\n[![GitHub许可证](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002FMineDojo\u002FVoyager)](https:\u002F\u002Fgithub.com\u002FMineDojo\u002FVoyager\u002Fblob\u002Fmain\u002FLICENSE)\n______________________________________________________________________\n\nhttps:\u002F\u002Fgithub.com\u002FMineDojo\u002FVoyager\u002Fassets\u002F25460983\u002Fce29f45b-43a5-4399-8fd8-5dd105fd64f2\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMineDojo_Voyager_readme_762d49ad8e9b.png)\n\n\n\u003C\u002Fdiv>\n\n我们推出了Voyager，这是首个由大型语言模型驱动、在Minecraft中实现持续探索世界、习得多样化技能并进行全新发现的具身终身学习智能体，全程无需人类干预。Voyager由三个核心组件构成：1) 一种能够最大化探索的自动课程体系；2) 一个不断增长的可执行代码技能库，用于存储和调用复杂行为；3) 一种新的迭代式提示机制，该机制结合环境反馈、执行错误以及自我验证来优化程序。Voyager通过黑盒查询与GPT-4交互，从而避免了对模型参数进行微调的需求。Voyager所掌握的技能具有时间上的延展性、可解释性和组合性，这使得其能力得以快速累积，并有效缓解灾难性遗忘问题。实验表明，Voyager展现出强大的上下文感知终身学习能力，在Minecraft游戏中表现出色。相比现有最先进方法，Voyager获得的独特物品数量增加了3.3倍，行进距离延长了2.3倍，关键科技树里程碑的解锁速度更是快达15.3倍。此外，Voyager能够在全新的Minecraft世界中利用已学技能库从零开始解决新任务，而其他方法则难以实现泛化。\n\n在此仓库中，我们提供了Voyager的代码。该代码库采用[MIT许可证](LICENSE)。\n\n# 安装\nVoyager需要Python ≥ 3.9和Node.js ≥ 16.13.0。我们已在Ubuntu 20.04、Windows 11和macOS上进行了测试。请按照以下步骤安装Voyager。\n\n## Python安装\n```\ngit clone https:\u002F\u002Fgithub.com\u002FMineDojo\u002FVoyager\ncd Voyager\npip install -e .\n```\n\n## Node.js安装\n除了Python依赖项外，您还需要安装以下Node.js包：\n```\ncd voyager\u002Fenv\u002Fmineflayer\nnpm install -g npx\nnpm install\ncd mineflayer-collectblock\nnpx tsc\ncd ..\nnpm install\n```\n\n## Minecraft实例安装\n\nVoyager依赖于Minecraft游戏。您需要安装Minecraft并设置一个Minecraft实例。\n\n请按照[Minecraft登录教程](installation\u002Fminecraft_instance_install.md)中的说明设置您的Minecraft实例。\n\n## Fabric模组安装\n\n为了支持Voyager的所有功能，您需要安装Fabric模组。请务必使用所有模组对应的正确Fabric版本。\n\n请按照[Fabric模组安装指南](installation\u002Ffabric_mods_install.md)中的说明安装模组。\n\n# 开始使用\nVoyager使用OpenAI的GPT-4作为语言模型。您需要拥有一个OpenAI API密钥才能使用Voyager。您可以从[这里](https:\u002F\u002Fplatform.openai.com\u002Faccount\u002Fapi-keys)获取。\n\n完成安装后，您可以通过以下方式运行Voyager：\n```python\nfrom voyager import Voyager\n\n# 您也可以使用mc_port代替azure_login，但强烈建议使用azure_login\nazure_login = {\n    \"client_id\": \"YOUR_CLIENT_ID\",\n    \"redirect_url\": \"https:\u002F\u002F127.0.0.1\u002Fauth-response\",\n    \"secret_value\": \"[OPTIONAL] YOUR_SECRET_VALUE\",\n    \"version\": \"fabric-loader-0.14.18-1.19\", # Voyager测试时使用的版本\n}\nopenai_api_key = \"YOUR_API_KEY\"\n\nvoyager = Voyager(\n    azure_login=azure_login,\n    openai_api_key=openai_api_key,\n)\n\n# 开始终身学习\nvoyager.learn()\n```\n\n* 如果您首次使用`Azure Login`，系统会提示您按照命令行指示生成配置文件。\n* 对于`Azure Login`，您还需要自行选择世界并将其开放为局域网。运行`voyager.learn()`后，游戏窗口将很快弹出，此时您需要：\n  1. 选择“单人模式”并点击“创建新世界”。\n  2. 将游戏模式设置为“创造模式”，难度设置为“和平”。\n  3. 世界创建完成后，按下`Esc`键并选择“开放到局域网”。\n  4. 将“允许作弊”选项开启，然后点击“开始局域网世界”。您会看到机器人很快加入游戏。\n\n# 学习过程中从检查点恢复\n\n如果您中途停止学习并希望稍后再从检查点恢复，可以按如下方式实例化Voyager：\n```python\nfrom voyager import Voyager\n\nvoyager = Voyager(\n    azure_login=azure_login,\n    openai_api_key=openai_api_key，\n    ckpt_dir=\"YOUR_CKPT_DIR\",\n    resume=True,\n)\n```\n\n# 使用已学技能库运行特定任务\n\n如果您想使用已学技能库运行特定任务，首先需要将技能库目录传递给Voyager：\n```python\nfrom voyager import Voyager\n\n# 首先使用skill_library_dir实例化Voyager。\nvoyager = Voyager(\n    azure_login=azure_login,\n    openai_api_key=openai_api_key，\n    skill_library_dir=\".\u002Fskill_library\u002Ftrial1\", # 加载已学技能库。\n    ckpt_dir=\"YOUR_CKPT_DIR\", # 您可以使用一个新的目录。请勿与技能库使用同一目录，因为新的事件仍会被记录到ckpt_dir中。\n    resume=False, # 不要从技能库恢复，因为这不是学习过程。\n)\n```\n接下来，您可以进行任务分解。请注意：有时任务分解可能不够合理。如果您发现打印出的子目标存在问题，可以重新进行分解。\n```python\n# 进行任务分解\ntask = \"YOUR TASK\" # 例如，“制作钻石镐”\nsub_goals = voyager.decompose_task(task=task)\n```\n最后，您可以使用已学技能库执行这些子目标：\n```python\nvoyager.inference(sub_goals=sub_goals)\n```\n\n有关所有有效技能库的信息，请参阅[已学技能库](skill_library\u002FREADME.md)。\n\n# 常见问题解答\n如果您有任何疑问，请在提交问题之前先查看我们的[常见问题解答](FAQ.md)。\n\n# 论文与引用\n\n如果您认为我们的工作有所帮助，请考虑引用我们！\n\n```bibtex\n@article{wang2023voyager,\n  title   = {Voyager: An Open-Ended Embodied Agent with Large Language Models},\n  author  = {Guanzhi Wang and Yuqi Xie and Yunfan Jiang and Ajay Mandlekar and Chaowei Xiao and Yuke Zhu and Linxi Fan and Anima Anandkumar},\n  year    = {2023},\n  journal = {arXiv预印本 arXiv: Arxiv-2305.16291}\n}\n```\n\n免责声明：本项目仅用于研究目的，而非NVIDIA的官方产品。","# Voyager 快速上手指南\n\nVoyager 是首个基于大语言模型（LLM）的具身终身学习智能体，能够在 Minecraft 中自主探索、获取技能并发现新事物。本指南将帮助中国开发者快速部署并运行 Voyager。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：Ubuntu 20.04, Windows 11, 或 macOS\n*   **Python**：版本 ≥ 3.9\n*   **Node.js**：版本 ≥ 16.13.0\n*   **游戏本体**：已安装 Minecraft Java 版\n*   **API 密钥**：有效的 OpenAI API Key (用于调用 GPT-4)\n\n> **注意**：本项目依赖 Azure 登录方式连接 Minecraft，首次运行需按指引生成配置文件。\n\n## 安装步骤\n\n### 1. 克隆项目与安装 Python 依赖\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FMineDojo\u002FVoyager\ncd Voyager\npip install -e .\n```\n\n*(国内用户若下载缓慢，可临时使用清华源：`pip install -e . -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`)*\n\n### 2. 安装 Node.js 依赖\n\n进入 `mineflayer` 目录并安装相关包：\n\n```bash\ncd voyager\u002Fenv\u002Fmineflayer\nnpm install -g npx\nnpm install\ncd mineflayer-collectblock\nnpx tsc\ncd ..\nnpm install\n```\n\n*(国内用户若 npm 安装缓慢，建议先配置淘宝镜像：`npm config set registry https:\u002F\u002Fregistry.npmmirror.com`)*\n\n### 3. 配置 Minecraft 实例与模组\n\nVoyager 需要特定的 Minecraft 实例和 Fabric 模组支持。请严格按照以下官方文档完成配置：\n\n1.  **设置 Minecraft 实例**：参考 [Minecraft Login Tutorial](installation\u002Fminecraft_instance_install.md)\n2.  **安装 Fabric 模组**：参考 [Fabric Mods Install](installation\u002Ffabric_mods_install.md)\n\n> **重要提示**：请务必使用文档中指定的 Fabric 版本，否则可能导致功能异常。\n\n## 基本使用\n\n### 1. 启动终身学习模式\n\n确保您已获得 OpenAI API Key，并准备好 Azure 登录所需的 `client_id`。创建 `run_voyager.py` 文件并填入以下代码：\n\n```python\nfrom voyager import Voyager\n\n# 配置 Azure 登录信息 (推荐使用 azure_login 而非 mc_port)\nazure_login = {\n    \"client_id\": \"YOUR_CLIENT_ID\",\n    \"redirect_url\": \"https:\u002F\u002F127.0.0.1\u002Fauth-response\",\n    \"secret_value\": \"[OPTIONAL] YOUR_SECRET_VALUE\",\n    \"version\": \"fabric-loader-0.14.18-1.19\", # 测试通过的版本\n}\nopenai_api_key = \"YOUR_API_KEY\"\n\nvoyager = Voyager(\n    azure_login=azure_login,\n    openai_api_key=openai_api_key,\n)\n\n# 开始终身学习\nvoyager.learn()\n```\n\n**运行后操作指引：**\n如果是首次使用 Azure Login，命令行会提示生成配置文件。随后游戏窗口将弹出，您需要手动执行以下操作：\n1.  选择 `Singleplayer` (单人游戏) -> `Create New World` (创建新世界)。\n2.  将游戏模式设为 `Creative` (创造模式)，难度设为 `Peaceful` (和平)。\n3.  世界加载完成后，按 `Esc` 键，选择 `Open to LAN` (对局域网开放)。\n4.  设置 `Allow cheats: ON` (允许作弊：开)，点击 `Start LAN World`。\n5.  稍等片刻，您将看到 Voyager 机器人自动加入世界并开始探索。\n\n### 2. 利用已学技能库执行特定任务\n\n如果您希望加载已有的技能库来执行特定任务（而非从头学习），可使用以下流程：\n\n```python\nfrom voyager import Voyager\n\n# 实例化 Voyager 并指定技能库目录\nvoyager = Voyager(\n    azure_login=azure_login,\n    openai_api_key=openai_api_key,\n    skill_library_dir=\".\u002Fskill_library\u002Ftrial1\", # 加载已学习的技能库\n    ckpt_dir=\"YOUR_CKPT_DIR\", # 检查点目录，请勿与技能库目录相同\n    resume=False, # 此处不是恢复学习，故设为 False\n)\n\n# 任务分解\ntask = \"Craft a diamond pickaxe\" # 示例任务：制作钻石镐\nsub_goals = voyager.decompose_task(task=task)\n\n# 执行子目标\nvoyager.inference(sub_goals=sub_goals)\n```\n\n> **提示**：若发现分解出的子目标逻辑有误，可重新运行 `decompose_task`。更多预训练技能库请参阅项目内的 `skill_library\u002FREADME.md`。","某游戏 AI 研究团队希望在《我的世界》中训练一个能自主探索、学习复杂技能并适应新环境的智能体，以验证大模型在具身智能领域的长期学习能力。\n\n### 没有 Voyager 时\n- 智能体依赖人工预设脚本或昂贵的强化学习微调，难以应对游戏中无限开放的任务组合。\n- 学到的技能无法有效存储和复用，一旦环境变化或任务切换，智能体往往“从头再来”，出现灾难性遗忘。\n- 探索效率低下，需要数周时间才能解锁基础科技树里程碑，且获取的物品种类和移动距离极其有限。\n- 代码行为不可解释，开发者难以理解智能体的决策逻辑，更无法在其基础上进行二次开发或组合新技能。\n\n### 使用 Voyager 后\n- 利用自动课程机制和 GPT-4 的黑盒查询能力，Voyager 无需微调参数即可自主规划探索路径，持续发现新任务。\n- 通过不断增长的可执行代码技能库，Voyager 将复杂行为模块化存储，在新地图中能直接调用旧技能解决全新难题。\n- 借助迭代提示机制自我修正代码错误，Voyager 解锁关键科技树的速度比此前最先进方法快 15.3 倍，获取物品数量提升 3.3 倍。\n- 生成的技能具备时序扩展性和可组合性，开发者可清晰阅读其代码逻辑，轻松将“挖矿”与“建造”技能组合为“自动基地构建”。\n\nVoyager 通过让大模型像人类一样在试错中积累可复用的代码技能，真正实现了开放世界中的终身自主学习。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMineDojo_Voyager_c07add63.png","MineDojo","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FMineDojo_0088fb97.png","Building Open-Ended Embodied Agents with Internet-Scale Knowledge",null,"DrJimFan","minedojo.org","https:\u002F\u002Fgithub.com\u002FMineDojo",[84,88],{"name":85,"color":86,"percentage":87},"JavaScript","#f1e05a",66.5,{"name":89,"color":90,"percentage":91},"Python","#3572A5",33.5,6809,665,"2026-04-10T08:24:21","MIT",5,"Linux (Ubuntu 20.04), Windows 11, macOS","未说明",{"notes":100,"python":101,"dependencies":102},"该工具依赖 Minecraft 游戏本体，需手动安装指定版本的 Fabric Loader (0.14.18) 和 Minecraft 1.19 版本，并配置相关 Fabric 模组。运行时需要有效的 OpenAI API Key 以调用 GPT-4 模型。首次使用 Azure Login 需按命令行提示生成配置文件，并需手动在游戏内创建世界、设置为创造模式和平难度，并开启局域网联机。","3.9+",[103,104,105,106,107,108],"Node.js >= 16.13.0","npx","TypeScript (tsc)","Mineflayer","mineflayer-collectblock","OpenAI API (GPT-4)",[15],[111,112,113,114],"large-language-models","embodied-learning","open-ended-learning","minecraft","2026-03-27T02:49:30.150509","2026-04-11T08:11:28.913493",[118,123,128,133,138,143],{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},28998,"如何查看或使用 Voyager 已学习到的技能库（Checkpoint）？","项目方已经发布了技能库。你可以查看 README 文档中关于“使用已学习技能库运行特定任务”的章节（Run Voyager for a specific task with a learned skill library）。此外，社区用户也讨论了手动修改技能库的可能性，例如创建人类定义的新技能、移除特定技能或更新现有技能，但这可能需要参考更详细的指南或自行研究代码结构。","https:\u002F\u002Fgithub.com\u002FMineDojo\u002FVoyager\u002Fissues\u002F42",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},28999,"如何在游戏中以第一人称视角观察 bot 的操作？","在单人模式开启局域网（Open to LAN）并启用作弊后，当 bot 加入游戏时，可以在游戏内聊天框执行以下命令：首先输入 `\u002Fgamemode spectator` 将你自己切换到旁观者模式，然后输入 `\u002Fspectate bot` 来跟随 bot 的视角。如果 bot 重新加入游戏，你需要再次运行 `\u002Fspectate bot` 命令。","https:\u002F\u002Fgithub.com\u002FMineDojo\u002FVoyager\u002Fissues\u002F44",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},29000,"遇到 'KeyError: access_token' 或 Xbox 认证 'FORBIDDEN' 错误怎么办？","这通常是由于微软 Azure 登录权限变更导致的。根据官方文档和开发者反馈，这可能是因为需要申请特定的权限配置。建议检查微软相关的帮助文档（如 help.minecraft.net 上关于 authentication 的文章），确认是否需要在 Azure 门户中为应用注册配置额外的权限（Permissions），或者尝试不同的回调类型（如 'web'），但核心原因往往是权限未获批或配置过期。","https:\u002F\u002Fgithub.com\u002FMineDojo\u002FVoyager\u002Fissues\u002F54",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},29001,"游戏在创建新世界后的最后一步崩溃，提示子进程启动失败，如何解决？","如果在创建世界后按 Esc 准备开启局域网时游戏崩溃，且报错显示子进程启动失败，这可能与重生机制或环境配置有关。建议参考 Issue #10 中的评论来构建更好的重生（better-respawn）配置。确保严格按照步骤操作：选择单人模式 -> 创建新世界 -> 设置为创造模式和平难度 -> 创建后按 Esc -> 对局域网开放 -> 允许作弊设为 ON -> 启动局域网世界。","https:\u002F\u002Fgithub.com\u002FMineDojo\u002FVoyager\u002Fissues\u002F31",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},29002,"编译 mineflayer-collectblock 时出现 TypeScript 类型错误（如 'undefined' cannot be used as an index type）怎么办？","当你运行 `npx tsc` 编译时如果遇到关于 `bot.registry.blocksByName` 或 `items` 的类型索引错误，这通常是因为 Node.js 版本或 TypeScript 严格模式导致的类型推断问题。虽然具体修复代码未在评论中详细列出，但用户反馈该问题已通过某种方式解决。建议检查 `src\u002FCollectBlock.ts` 文件中报错的行，确保访问 registry 时变量不为 undefined，或者尝试降级\u002F升级 Node.js 版本（如 v18 或 v22）以及调整 `tsconfig.json` 中的严格类型检查选项。","https:\u002F\u002Fgithub.com\u002FMineDojo\u002FVoyager\u002Fissues\u002F179",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},29003,"Voyager 是否支持除了 GPT-4 以外的其他大语言模型（如 gpt4all 或 Llama3）？","原生代码主要针对 OpenAI GPT-4 优化，因为研究发现 GPT-4 对于 Voyager 的“教育”过程至关重要。不过，有用户成功通过修改代码集成了其他模型（如 ChatOllama, ChatGrok, Llama3-8b 等）。主要修改步骤包括：1. 将 `self.model_name` 替换为具体的 LangChain 模型实例（如 ChatOllama）；2. 在调用 LLM 时添加 `invoke` 方法；3. 将 OpenAI 的嵌入模型替换为其他兼容模型（如 snowflake-arctic-embed-l）。这需要一定的开发工作来适配接口。","https:\u002F\u002Fgithub.com\u002FMineDojo\u002FVoyager\u002Fissues\u002F7",[]]