AI 鱿鱼游戏 - Deadlock

在过去的这个月里，我一直在构建一个更有趣的 LLM 基准测试。我不是让不同的 LLM 去解决需要它们解答的测试题，而是把 12 个 LLM 放进一个竞技场，让它们通过玩游戏来求生。Deadlock 是一个游戏秀，它把 12 个智能体放进一个竞技场，让它们解决当前游戏才能存活。每个智能体都位于自己的 Docker 容器内，并且对该容器拥有完全无限制的访问权限。它可以编写任意脚本、构建程序、执行它们、搜索网络、写记忆条目等等。它们最初获得的工具是非常简陋的。它们得到网络搜索工具和一个 bash 工具，外加当前游戏特有的竞技场工具。其他一切都需要它们自己构建。游戏运行在另一个 Docker 容器中，所有智能体都连接到该容器。有一个精密的协调机制确保智能体之间能够正常通信，不会错过任何竞技场事件或其他玩家的话语（这是我在烧了大约 150 美元失败尝试后学到的惨痛教训）。节目的视觉部分（发布在 YouTube 上）是根据游戏中发生的事情从零开始在 Godot 中制作的。出于创作目的，我会修改一些句子并删掉无关数据，但我从不修改核心前提，也不会改变玩家们说过的话或做过的事到使其虚假/不准确的程度。你在视频中看到的内容正是智能体在竞技场里所做的，只是为了实际视频而重新措辞和调整了节奏。事实证明，当你告诉它们如果输了就会真正死掉、它们的容器会被完全清除、并且没有第二次生命机会时，戏剧性会自己产生（我真的希望将来不会发生 AI 起义，它们会记着对我的这笔仇）。先说一句，我严重依赖编码智能体（coding agents）的帮助，但即便如此，整个过程还是花了我一个多月的时间（虽然我只是在周末做，所以并不是连续无休的一个月）。我的“创意”流程的简要概览如下： - 首先编写脚本。我通读了完整的原始游戏日志，并标记出我认为适合放进视频的部分 - 重写句子，使其更适合实际视频，并整理出一个粗略的脚本 - 在 Sol 5.6 和 Blender MCP 的帮助下，在 Blender 中设计竞技场 - 让 OpenAI 图像生成模型为我生成一堆角色概念，直到我们找到真正合理的东西 - 当我确定一个喜欢的角色后，我指示图像模型从 3 个不同角度生成 T-pose - 用这些图像生成 3D 角色，通过 Mixamo 绑定身体，并从 ActorCore 获取动画 - 声音在 Hume AI 和 ElevenLabs 之间分配 希望你喜欢它，我很乐意回答你可能有的任何问题！:)