Разработчик проекта agent-wow сообщил об успешном прохождении стартовой локации орков в классической версии World of Warcraft при помощи нейросети GPT-6 Astra от OpenAI. ИИ-агент справился с задачей за 40 минут, при этом персонаж не погиб ни разу за всё время игры. Ключевой особенностью эксперимента стало полное отсутствие визуального ряда: модель не видела игровых кадров, полагаясь исключительно на данные сетевых протоколов и информацию из файлов сервера.
Особенности реализации игрового процесса
Для реализации проекта использовался клиент agent-wow — open-source решение на базе платформы AzerothCore, предназначенное для автономных игровых агентов. Система работает с версией WoW 3.3.5a, соответствующей дополнению Wrath of the Lich King. Разработчик подчеркивает, что клиент не содержит жестко заданных игровых механик вроде боевой системы или взаимодействия с миром: он лишь предоставляет модульную архитектуру, через которую ИИ может выстраивать необходимые для игры алгоритмы.
Взаимодействие нейросети с миром реализовано на протокольном уровне. Агент сформировал специальный модуль для отслеживания 28 типов серверных сообщений, которые сохраняются в оперативной памяти. Скрипт на языке Python периодически опрашивает эти данные, формируя для ИИ «картину мира», и отправляет ответные команды серверу. Модель GPT-6 Astra, выпущенная OpenAI в прошлом месяце, была настроена на работу с повышенным уровнем логических рассуждений.
Работа с данными и навигация
Поскольку модель не могла видеть экран, для выполнения квестов она использовала датамайнинг. Агент извлекал информацию о квестодателях, местах сдачи заданий и точках возрождения NPC непосредственно из SQL-файлов AzerothCore. По мнению создателя проекта, такой подход аналогичен поведению человека, изучающего тематические базы данных, но является более эффективным, так как данные извлекаются напрямую из программного кода, на котором работает сервер.
Для навигации по игровому миру агент применяет C++ помощник, который строит маршруты с помощью навигационных сеток (mmaps) от AzerothCore. Библиотека Detour рассчитывает путь между точками, возвращая координаты ключевых узлов. Разработчик отмечает, что ИИ проявил высокую эффективность, успешно выполняя цепочки заданий, продавая лишние предметы, экипируя улучшения и изучая способности до финала в Пещерах Степей. Агент даже продемонстрировал способность эксплуатировать ошибки карты, связанные с некорректными свойствами коллизий объектов.
Дальнейшие перспективы проекта
Ранее эта же модель GPT-6 Astra уже демонстрировала навыки прохождения игр, в частности, полностью прошла Portal за 24 часа, используя скриншоты для анализа окружения. Текущий же запуск WoW стал первым опытом работы «вслепую» на уровне сетевых протоколов. В планах разработчика — проверить, сможет ли один ИИ-агент самостоятельно прокачать персонажа до 80-го уровня, а также выяснить, способны ли несколько агентов объединяться в группы для освоения высокоуровневого контента, такого как рейд «Цитадель Ледяной Короны» на героическом уровне сложности.
Технические нюансы взаимодействия и планирования
Важным аспектом успеха стала интеллектуальная стратегия агента, которая выходила за рамки простого выполнения команд. ИИ продемонстрировал навыки долгосрочного планирования: он последовательно проходил цепочки заданий, предварительно экипировал персонажа улучшениями и обучал способности до того, как отправиться в финальную пещеру зоны. В частности, агент оптимизировал маршрут, принимая в работу оба задания в пещере одновременно, чтобы завершить их за один заход.
Хотя разработчик изначально рассчитывал на более высокоуровневую реализацию, на практике работа на уровне сетевого протокола оказалась не просто эффективной, а «более чем способной» к решению поставленных задач. Для управления «картиной мира» нейросеть полагалась на 28 типов серверных сообщений, которые постоянно обновлялись в памяти. В дополнение к SQL-файлам, проект предусматривает использование исходного кода AzerothCore в качестве справочного ресурса, что позволяет агенту лучше понимать правила игрового мира.
Особенности навигации и работы с картой
Вопрос навигации традиционно считается одним из главных вызовов при разработке эвристических ботов, однако в данном эксперименте ИИ показал «оптимальные» результаты. Использование библиотеки Detour в связке с навигационными сетками (mmaps) позволило агенту точно строить путь между точками. Примечательно, что агент смог использовать ошибки геометрии игрового мира, эффективно проходя сквозь текстуры там, где коллизии были настроены некорректно. Весь цикл игры — от старта за орка 1-го уровня до завершения всех квестов в Долине Испытаний (Valley of Trials) и финиша в деревне Сен’джин — был реализован через единственный промпт в среде Codex.
Сравнение с другими игровыми тестами
В отличие от прохождения игры Portal, где модель использовала визуальные скриншоты для анализа позиции игрока, в текущем эксперименте с WoW визуальный ряд отсутствовал полностью. В то время как другие недавние проекты по обучению нейросетей играм (например, Pokémon Red) полагались на сочетание специализированных компактных моделей и систем «коучинга» со стороны Claude, подход с GPT-6 Astra с повышенным уровнем рассуждений (reasoning effort) доказал свою состоятельность как полностью автономная система, работающая с «сырыми» данными сервера.
Конечная цель проекта — заполнить целый игровой мир ИИ-агентами, чтобы проверить их способность к командному взаимодействию, кульминацией чего должна стать попытка зачистки рейда «Цитадель Ледяной Короны» на героической сложности.
