Evennia的Tutorial World关卡数量

导出时间：2026/5/27 18:44:36

来源地址：https://www.doubao.com/chat/38421704207852802

消息数量：4

你有没有这 3 个项目的 GitHub 的链接呢？
搜索 3 个关键词，参考 16 篇资料
有，这三个项目的 GitHub 地址如下：

1. llm_maze_agent（最像你的双模式探索）

  • 地址：https://github.com/ekzhu/llm_maze_agent
  • 作者是微软 AutoGen 核心成员，用 LangChain+GPT 做迷宫探索
  • 核心：内部地图记忆、已知路径快速走、未知房间探索
    image

2. ai-player（中文 MUD 自动玩家，最贴近伊万尼亚）

3. mud-mcp（MUD 状态 ful AI 代理，VS Code 风格）

  • 地址：https://github.com/Nexlen/mud-mcp
  • 状态记忆、房间 / 物品 / 状态自动更新、LLM 决策、工具调用
  • 适合参考：状态机、上下文管理

额外补充：更贴近 “自动解 MUD / 文字游戏” 的项目

如果你想参考自动玩 Zork / 伊万尼亚的成熟方案：
要不要我把这几个项目里最核心的代码片段（地图存储、探索循环、Prompt 模板）抽出来，给你一页对照参考？
好吧，你把几个项目里面最核心的代码片段，抽出来，做个一页的对照啊。不要用表格的。我要发给 GPT 让它做参考。最核心的就是说他们是怎么实现这种数据驱动的，就经验驱动，而不是说代码主导的。就说能够让这个数据飞轮自己转起来，由他们这个背后的模型自己去积累经验，而不是说由这个 GPT 每次去当救火队员，遇到什么问题就去改什么代码，不停的改呀改的。
下面是一页式、无表格、可直接发给 GPT的核心代码思路汇总。 只提炼：数据驱动 / 经验积累 / 自动飞轮的关键实现，不涉及多余逻辑。

同类开源项目：数据驱动 MUD 探索核心实现（精简版）

1. 统一核心思想（所有项目都遵循）

  • 代码只负责框架与护栏：循环、IO、安全限制、防止死循环、死亡保护。
  • 所有策略、路径、动作偏好、房间规则都存在外部数据文件：JSON、YAML、记忆库、图谱。
  • 模型通过读取经验 → 决策 → 执行 → 写入新经验形成闭环，不需要改代码。
  • 经验分为未验证临时经验和验证后可信经验，只有可信部分进入正式地图。

2. llm_maze_agent 核心：地图记忆 + 探索飞轮

python
运行
# 核心数据结构：房间记忆全部存在数据里，不是代码
map_memory = {
    "room_id": {
        "description_sig": "...",
        "exits": ["north", "south"],
        "visited": True/False,
        "actions_tried": [...],
        "success_actions": [...],
        "failed_actions": [...]
    }
}

# 决策逻辑完全数据驱动
def choose_action():
    if current_room in map_memory:
        # 优先从未尝试动作里选
        return pick_unexplored_action()
    else:
        # 新房间：记录并开始探索
        map_memory[current_room] = new_room_entry()

# 飞轮循环
while True:
    observation = get_room_text()
    action = choose_action()       # 基于数据决策
    result = send_command(action)
    update_map_memory(observation, action, result)   # 写入经验
要点：
  • 房间知识 = 数据，不是 if-else
  • 探索越多，记忆越全，行为越智能
  • 代码永不修改，只增长数据

3. ai-player 核心：MUD 路由与路径固化（最接近你的 Routing Table）

python
运行
# 全局路由表：数据驱动，代码只读不写
route_table = {
    "from_room": {
        "to_room": {
            "path": ["north", "open door", "east"],
            "verified": True,
            "blind_mode_ok": True
        }
    }
}

# 快速移动（Blind Mode）
def goto_room(target):
    path = route_table[current_room][target]["path"]
    for cmd in path:
        send(cmd)   # 无脑执行，不探索

# 到达 frontier 后进入探索模式
def explore_room():
    candidates = get_untried_commands()
    action = llm_decide(candidates)
    res = send(action)
    save_explore_result(room, action, res)  # 追加经验
要点：
  • 路由表是数据，可热更新
  • Blind Mode 只走验证路径
  • 探索只在 frontier 发生，经验自动累积

4. mud-mcp 核心：状态记忆 + 经验回放（避免重复试错）

python
运行
# 世界状态完全数据化
world_state = {
    "rooms": {},
    "items": {},
    "mob": {},
    "action_results": {}  # 动作 → 结果 的历史
}

# LLM 决策只看数据，不看代码
prompt = f"""
Current room: {room}
Verified exits: {state.exits}
Failed actions here before: {state.failed}
Successful actions: {state.success}
Choose next rational action.
"""

# 结果自动写入记忆
def update_world_state(action, result):
    if "trap" in result:
        mark_action_as_unsafe(room, action)
    elif "move" in result:
        add_verified_exit(room, action, new_room)
要点：
  • 模型通过历史经验避免犯同样错误
  • 不需要代码规则，失败本身就是数据
  • 经验越多，决策越稳

5. 通用飞轮机制（所有项目共同的灵魂）

plaintext
1. 观察房间 → 生成场景签名
2. 查询经验数据 → 获得可行/不可行动作
3. LLM 选择动作（优先新动作）
4. 执行并获取结果
5. 把【场景 → 动作 → 结果】写入经验库
6. 达到闭环条件 → 标记为验证路径
7. 自动前往下一个 frontier
真正实现：
  • 代码只跑流程，不写规则
  • 规则 = 经验数据
  • 系统越跑越聪明，不需要人工改代码修 bug

6. 关键工程共识（为什么他们不频繁改代码）

  • 所有试探性逻辑都在 LLM 提示词 + 经验库中，不在 Python 逻辑里
  • 护栏只做三件事：防死循环、防重复动作、防死亡
  • 虚假因果通过多次验证过滤，不靠代码判断
  • 多步谜题靠经验片段拼接，不靠硬编码步骤
  • 经验可以跨会话保存，相当于持续学习
如果你需要，我可以再把上面内容压缩成超短版本（200 字以内），作为系统提示塞给 Llama 做决策指令。