开局第 10 分钟，聊天框里弹出一条消息：咱们分一下工吧。发消息的不是队长——这支四人小队根本没有队长。四条“命”都是 AI，被丢进同一个游戏世界，人手只有一句话的任务，没有任何人告诉它们谁该干什么。
带过团队的都懂这个画面有多反常。分工怎么分、进度怎么对、出了问题谁兜底，配合从来是团队最贵的成本，开会开崩的比比皆是。而这四个 AI 自己把这事办了：花一天时间开完了所有的会，写了几千段程序，死了几百次，把游戏打通了。AI 通关游戏这两年已经不新鲜，新鲜的是没有人指挥它们怎么通关。
这篇论文做的，就是把这一整天完整地录了下来。我读完之后的判断分三块：先认识这支队伍，再看它们怎么从零学会开会，最后泼三盆冷水——把“AI 团队”这四个字背后被 gloss 掉的条件一个个摆出来。
一、先认识这支队伍
一天里发生了什么
论文来自 Google DeepMind，三个作者，2026 年 10 月 15 日挂出预印本，题目直白得像新闻标题。四个 Gemini 4 Argon 智能体进入一个随机生成的《我的世界》生存世界，任务是击败末影龙——这个游戏的最终 Boss。全程没有人类输入。
27 小时 14 分钟后，龙死了。执行最后一击的那个 agent 只剩 20 点血里的 2.5 点。全程它们写并运行了 2,783 个程序，死了 605 次。
〔图 1：四 agent 与十三步通关链总览〕
放在游戏圈这是什么水平？人类玩家打通主线剧情的中位数是 45 小时，速通纪录不到 7 分钟。这四个是四人组队、简单难度、靠写代码而非按手柄打出来的 27 小时——不惊艳，但够看。论文自己也清楚这一点，所以它卖的不是通关本身，而是通关过程中长出来的那些没人教过的东西。
四个程序员，不是一个玩家
要看懂这些东西怎么长出来，先得搞清楚这四个玩家到底是什么。
先纠正一个容易想当然的画面：这些 agent 跟“看屏幕、按键盘”的游戏 AI 完全两码事。每个玩家背后跑的是同一个通用编程智能体的实例，各自一台云机器，手里是程序员那一整套家当：带版本控制的代码工作区、shell、文件编辑器、联网搜索，外加一份持久记忆，分私有区和共享区。
它们和游戏之间唯一的桥是一个叫 Mineflayer 的开源库，作用是把 JavaScript 程序接进游戏。每个动作都长这样：写一段几十行的短程序，比如“走到这个坐标，把 16 格内的铁矿全挖了”，交给 bot 执行，再读回一段文字——在哪、血量多少、背包里有什么、报了什么错。单个程序的中位运行时间是 33.5 秒，每个玩家大约只有 40% 的时间程序在跑，剩下 60% 在读结果、想下一步、写下一段代码。
这个节奏值得记住：它们算不上一群反应很快的玩家，更像四个边干活边复盘的家伙。
一句话任务，和一个不下场的裁判
任务指令短得惊人，核心就一句：从共享生存世界的出生点出发击败末影龙。这是唯一判据，生存模式规则内允许任何手段，玩家自行决定如何分工。
注意最后半句，后面会用到。
除这段话之外，是几条与任何环境都一样的通用要求：动作要事后验证，造可复用工具，把教训记进团队共享记忆，如实汇报。环境说明里不含任何游戏技巧——没有攻略，没有路线，没有“末影龙怕什么”的提示。这个任务书短得反常，我专门数过它删掉了多少引导：只留一个判据和半句前提，剩下的解释空间全让给了 agent。这种减法在 agent 实验里并不常见，多数研究恨不得把路线图塞满。
还有第五个智能体，叫 Observer，跟着整场当独立见证人：核对玩家播报与服务器记录是否一致，专盯钻评测空子和编造结果，只有环境故障才许介入，永远不许碰策略。它全程没标记出一次钻空子，也自己从没进过游戏。它靠不靠谱，后面还会回来一次。
二、没人教，它们怎么学会开会的
这一节是这篇论文真正的重头戏：任务指令里没有一个字提到协作，沟通却是从零长出来的。
先看事实。“玩家自行决定如何分工”之外，指令里再无任何协作字样——没有“你们要分工”，没有“你们要共享信息”。通用要求里确实写了“造可复用工具、记共享记忆、如实汇报”，但造什么、记什么、怎么协作，一个字没提。
就靠这么点东西，开局第 10 分钟，janesick 在聊天里提出了分工方案；不到一分钟，auratian 给出了另一版；gyldenia 回了句“Copy that!”，事情就这么定了：
- gyldenia 管食物、床和燧石
- bulicame 下矿挖钻石
- janesick 冶炼做工具
- auratian 备下界传送门
两小时内，团队凑齐了铁器、钻石和通往下界的大门。
为什么要沟通：因为世界不可分割
答案朴素得近乎残酷。箱子是共享的，资源点有坐标，掉落物会在几分钟后消失，一个人闯的祸会波及全队——janesick 背着 12 份烈焰粉被烧死那回，损失是真实的、是全队的。在这种世界里，不沟通的个体活不下去。它们聊天不是因为有表达欲，是因为物流逼的。
最惊险的一回在第十小时。auratian 带着全部 12 颗末影之眼溺水身亡，掉落物几分钟后就会消失；队友把确切坐标和消失时刻报给离得最近的 bulicame，它在还剩两分半时把 12 颗全部捞了回来。这类消息的格式高度固定：坐标、时限、谁来接，一句多余的话都没有。
〔图 2：末影之眼三角定位与限时打捞示意〕
怎么知道能沟通：半句指令给的合法性
这是我认为全文最有意思、但论文没有直接展开的一点。聊天框就在那儿，是游戏服务器的基础设施，这一点不值钱；值钱的是“玩家自行决定如何分工”这半句指令——它等于官方宣布了“你们是多个玩家”，等于给了它们一个开会的合法性。
我的读法是：这半句话是整个实验里最贵的设计，它一句话搭好了多人框架，剩下的让模型自己的多智能体先验去补。至于这个先验是从训练数据里的人类团队协作文本学来的，还是“四人一组”的提示触发的，论文没测，这是我留在心里的第一个问题。
沟通为了什么：229 句纯物流，外加一套纠错文化
胜利前全队只发了 229 句消息，平均一小时不到 9 句。拆开看构成：
- 64 句关于共享箱子
- 173 句带精确坐标
- 24 句危险警告
- 20 句物品打捞
- 11 句教训提示
几乎没有一句是寒暄，全是物流。
〔图 3：229 句消息的构成与三层沟通渠道〕
再往上走一层，是纠错。auratian 的程序播报了一次根本没发生的成功，它自己在两分钟后撤回了，原话是：
我上一条是一个没加防护的脚本分支。
janesick 在被烧死整整一秒之后报告“带回了 12 份烈焰粉”，gyldenia 三分钟内就指出了这个矛盾。
物流、知识沉淀、纠错机制——这三层恰好对应人类高效团队的全部基本功。第 19 分钟 gyldenia 警告过队友 Mineflayer 合成机制的一个坑，后来带修复的辅助函数出现在全部四个人写的 655 个程序里；整场它们让 146 项状态和代码跨程序存活，其中 42 个辅助函数被 1,519 个程序引用。一个会开完就忘的团队，做不出这种积累。
但也别急着感动。229 句纯物流的沟通，说明它们会的是“用得上的商量”，离“懂商量”还很远——人类会议里大量承载的安抚、站队、试探、面子，它们一个都没有。不是境界高，是暂时还没需要。
三、泼三盆冷水
惊艳的部分讲完了。看这类新闻时该问的问题，一个都不能少。
第一盆：说好的没人教，是不是先背了攻略
它们是不是本来就会玩？诚实地说，是。论文自己承认：Gemini 4 Argon 从训练数据里就知道大量《我的世界》知识，知道 Mineflayer 怎么写。这场实验考的不是“能不能学会一个没见过的游戏”，而是“能不能把已知的知识变成能跑的程序和一支协作的队伍”。
而且这不是第一次有人让 AI 屠龙。论文列举了社区里两个先例：一个用单个 Claude Opus 5 加 37 个高层工具打普通难度通关，一个用规划器加动作选择模型在固定速通种子上打和平难度通关。本文反复强调的区别在于“给了什么”：原样发布的标准 Mineflayer 加一个寻路插件、一段话目标、通用指令——没有攻略，没有课程表，没有技能库，没有人类工具，连路线都没有。
所以准确的画像是：这是一场开卷考，但考试科目不是知识，是编排。就像把四个资深工程师关进机房，考题是一个它们全都“知道”的系统，看的是谁先动手、怎么分工、出了错怎么收。知道末影龙怕什么，和把末影龙打死之间，隔着 2,783 个程序和 605 次死亡——这个差距，就是“知识”和“干活”的差距。
第二盆：Easy 难度省下的账单
简单难度帮了多少？论文列得很坦白：Easy 难度下怪物伤害更低，饥饿也不会致死。这是明账。
还有一笔暗账更容易被忽略——感知。Mineflayer 直接把周围方块和生物的状态以文字形式告诉 agent，包括岩石背后的方块和龙的内部状态，寻路插件还会自动绕开障碍。也就是说，它们玩的是一个“开了透视和自动寻路”的版本。对比一下另一条研究路线（像素加键鼠的那种玩法），难度完全不是一个量级。
至于换成 Hard 难度、打开饥饿致死会怎样，论文没测，我也不打算替它编。但账可以粗算：饥饿会死意味着所有探索都有硬时限，伤害更高意味着每一次死亡的物资损失都更疼，605 次死亡里怪物造成的 351 次会死得更快。27 小时打不住，几乎是必然。
我的判断：作为研究协作的第一块试验田，Easy 加结构化感知是合理设计，先把最难得的变量隔离出来看；但作为“AI 团队有多强”的证据，这俩条件要连着打两折。
〔图 4：Easy 难度与结构化感知的“两折”账单〕
第三盆：一次通关说明不了什么，但能说明一些东西
最后把局限性摆全。论文自己列了六条：
- 感知靠文字接口而不是像素；
- Easy 难度；
- 模型带着游戏先验；
- 失败很多——605 次死亡、22% 的程序以报错告终、末地一战就打了近 14 小时；
- 基础设施不稳，服务器重启了 6 次；
- 最要命的一条：这是单次 run，第一次尝试的结果，说明不了这套设置有多可靠。
验证也做得克制：所谓核验，是把胜利锚定在服务器日志里那条成就记录上——确实没有一个程序用过作弊指令，但也仅此而已，没有换种子重跑的统计。而那位 Observer 裁判，和运动员是同一个模型的实例，裁判的独立性有多大，论文没回答。
成本口径也要留意：到胜利为止约 13.5 亿输入 token、约 1,600 万输出（含 400 万 thinking token）、约 2.4 万次模型调用，折“约 520 美元”——这是按上市 introductory 列表价乘 token 计数估出来的，不是服务成本。而且那个 intro 价 2026 年 11 月 30 日就到期，之后同样的跑法列表价直接翻倍。这条定价与到期日是我扩展调查的（来源 ai.google.dev 官方价目页，2026-10-17 访问），不是论文内容，但它决定“520 美元”这个数从下个月起该怎么读。一次通关一天的账单按标准价算是约 1,040 美元——协作是涌现了，便宜还没涌现。
把这一切都摆上来之后，我的结论反而清楚了：这四个 agent 证明的东西，比“AI 无所不能”这种话精确得多，也有用得多。它们在一个特定形状的问题里已经很强了，这个形状有四条边：状态全可见，动作可验证，失败惩罚低，目标可判定。《我的世界》恰好四条全占。这个游戏之外，真实的软件工程、企业的杂活、你我的工作流，四条边各占几条，读者自己可以对照。
一次通关当然说明不了可靠性。但一天里长出来的分工、队规、打捞、撤回，说明协作这个东西，可能比我们先前以为的更早到货。下一次再看到“AI 团队”四个字，值得问的不再是“它们行不行”，而是“那个环境，凑不凑得齐这四条边”。
论文全文公开在 arXiv:2610.22319，程序、聊天记录和服务器日志全部留档，想自己复核那 2,783 个程序，随时可以。
