四个智能体，一个随机生成的世界，一个目标：打败末影龙。10 月 15 日提交 arXiv 的论文《A team of Gemini 4 Argon agents beats Minecraft》（编号 2610.22319）记录了 Google DeepMind 团队的这场实验——27 小时 14 分钟，写下 2783 个程序，死了 605 次，中途没有人类出手干预。
论文三位作者 Maxence Faldor、Satinder Singh 与 Roberta Raileanu。实验设置的关键是「没有剧本」：没人分配角色，没人写游戏逻辑，智能体经开源库 Mineflayer 操控角色，不截图、不模拟按键，而是自己写 JavaScript 程序决定每一步做什么，再从程序返回的文本（位置、血量、背包、发现、报错）里读状态。协作只靠游戏内聊天加一块共享记忆。研究者能看实时面板、能随时暂停或叫停，但论文明确说全程没有干预的必要。
协作是自己长出来的
比赛开始约十分钟，四个智能体自行分了工：一个管补给，一个管工具与探索，其余的准备应付后期环境。它们共享发现，队友死后帮忙捡回装备，还沉淀出 42 个可复用函数来机械化移动、采集与生存动作。论文里最有画面感的一段是定位要塞：一个智能体追踪两颗末影之眼的轨迹、求交确定位置，估算与真实的传送门房间只差 43 米。终局也打得有策略——先堆土块搭高台，敲掉治疗龙的十颗水晶，再收掉龙头。
人类留下的规矩只有一道：智能体写的程序发不出网络请求、起不了进程、写不了文件，全部动作关在沙箱内。另有第五个智能体拿着运行记录核对其余四位的说法，论文称未发生安全事故。
账单与「头一回」的准确边界
媒体按 Gemini 4 Argon 的官方刊例折算了一笔账：全程约 24000 次模型调用、约 13.5 亿输入 token、1600 万输出 token，折合约 520 美元（引入期定价）到 1040 美元（标准定价）。一天多的连续运行、上千个自写程序，这个成本量级比多数人直觉低——但它同时提醒我们，沙箱里的一次通关与真实工作任务之间还隔着环境复杂度与错误代价两座山。
「头一回」三个字需要精确对待。论文的措辞是「据我们所知，这是智能体只用标准 Mineflayer 库、无预探种子、无人类所写游戏工具条件下，对 Minecraft 的端到端自主通关」。2021 年的 Altoclef 项目早就全自动通关过，但它走的是客户端模改加 Baritone 寻路加手写任务逻辑的路线——DeepMind 的差异不在「赢」，在「通用编码智能体加自组织协调」这条更接近真实软件工程的路线。Mineflayer 提供的是结构化游戏状态，属特权信息，与看屏幕猜按钮的计算机使用智能体不是同一类任务，这一点论文自己承认。
放进台谱里看
这条线站点攒了一串坐标：1847 的 AgentCraft 把多智能体编码搬进 Minecraft，但合并前必须人工过 diff；1955 的 RealtimeBench 论证长程任务里「多想一步就慢一步」的代价；1970 的 ScaleMAS 治的是智能体一多就乱。DeepMind 这篇的价值在于把三者拧成一次完整的正面演示：无人写逻辑、无人分角色、跑了一天多还保持着连贯的计划。它与 1939 GitSwarm 也构成对照——一个把中间成果落成 Git 资产，一个把中间成果留在共享记忆与自写程序里。
几盆该浇的冷水
游戏是被 containment 过的环境：目标清晰、失败可重来、动作空间有限、没有真实世界的不可逆后果。论文自己写明，这些能力能否迁移到真实软件工程与企业工作「论文没有给答案」。难度档位是简单、禁用作弊、随机种子——换个难题档、开命运系统，605 次死亡会不会变成 6050 次，没人知道。此外这是未经同行评审的预印本，所有细节以全文与后续评审为准。
给做长程智能体的团队一个可直接借用的设计：把「动作」写成可重跑的小程序而不是单次 API 调用，把「经验」沉淀成共享记忆里的可复用函数，再给队伍配一个拿着记录核话的审计员。这三件事不花哨，却是这场 27 小时实验里被验证过的协作骨架。