GitHub - ironbee-ai/ironbee-gamer: 使用快速决策引擎实时玩浏览器游戏：Jev（托管）或 Laya（本地）。通过 LLM 从玩过的游戏中训练每个游戏的配置，并让 Laya 进行学习。

📌 One-Sentence Summary

IronBee Gamer 是一个开源框架，它利用 LLM 训练特定游戏的配置和本地决策引擎，通过读取页面状态而非依赖 API 来自主游玩浏览器游戏。

📝 Summary

IronBee Gamer 是一个复杂的系统，旨在通过快速决策引擎实时玩浏览器游戏。它通过读取游戏状态——通过通用感知适配器（如 Canvas 录制器或特定引擎的转储）或自定义状态读取器——将其转换为 JSON 格式来运行。LLM（充当训练者）编写提取逻辑和决策规则，这些规则随后由托管引擎（Jev）或本地微调模型（Laya）执行。该项目在 Hugging Face 上提供了预训练游戏库，并为用户提供了添加和训练新游戏的工具。它通过操纵时钟和预测规划解决了游戏延迟以及实时与回合制游戏等技术挑战，使 AI 能以高精度游玩吃豆人和俄罗斯方等游戏。

💡 Main Points

训练与执行的解耦架构

LLM（训练者）编写逻辑和规则，而专用引擎（Laya 或 Jev）处理实时决策，确保在不需要每一步都调用完整 LLM 的情况下保持高性能。

零集成感知系统

系统通过 Canvas 录制、特定引擎内存转储（Phaser/PixiJS）或像素网格读取游戏状态，不需要游戏开发者提供的官方 API 或钩子。

低延迟运行的本地微调

Laya 可以在特定游戏的决策日志上进行本地微调，实现快速的本地推理，以满足实时浏览器游戏的需求。

自动化训练与自我改进循环

系统包含一个训练命令，用于检查性能、识别失败，并使用 LLM 更新规则或微调模型，直到获得更高分。

💬 Key Quotes

IronBee Gamer 打开浏览器游戏，读取页面绘制的内容到一个较小的 JSON 状态中，并要求决策引擎选择每一个动作。

它的运行不需要游戏提供任何帮助：它不需要 API，也不需要游戏暴露的任何钩子。

LLM 从它玩过的游戏中训练每个游戏的配置，并让 Laya 进行学习。

训练者编写逻辑：状态计算了什么……它还编写了将这些特征映射到动作的规则。

如果状态中带有答案（例如 `advice: "JUMP"`），会让引擎变成一个橡皮章。此类字段在引擎看到状态之前会被剔除。

📊 Article Meta

AI Screening： 85

Source： Hacker News - Newest: "LLM"

Author： AtroGi

Category： 人工智能

Language： 英文

Read Time： 18 min

Word Count： 4298

Tags：

AI 与智能应用 , AI Agent , AI 工程 , 模型训练与推理 , 开发者工具