之前我让 ChatGPT 和 Jev 下国际象棋，21 回合就把 Jev KO 了。可 Jev 打游戏的爆款一个比一个猛，我原来以为，这些项目会像使用大模型带上前面的历史那样，把玩过的经历也喂给 Jev，让它边玩边学，「越玩越强」。

于是我和我的 agent 把最火的 Minecraft 屠龙从源码到作者说明拆了一遍。

我们的结论是：这个项目没让 Jev 自己从玩过的经历里学；屠龙变快，是作者一版版修改的整套系统在变强，不是 Jev 自己「越玩越强」。

1️⃣ Jev 没有跨局记忆，也没有反思或训练；前几局的教训，是作者总结成文字、写进给它的指示里的。这个项目是两个模型分工：大模型（推文里用的是 Astra）负责规划，定下当前目标；Jev 负责每一步做什么。程序每步交给 Jev 的，主要是当前局面、规划定下的目标、最近 5 步做了什么和结果，以及预先给好的路线坐标和要准备的物资。Jev 从列出的动作里选一个。

2️⃣ 屠龙的三个成绩 49 分钟、12 分 36 秒、8 分 43 秒，条件各不相同，不能连起来看成 Jev 的进步。49 分钟那份录像里有作者中途暂停、更新代码的片段，这局是边跑边打补丁。作者的校验脚本还注明，中途改过一份写给模型看的文字指示，规划模型和 Jev 都会收到。12 分 36 秒那局，负责规划的是 Sol，不是推文里的 Astra；8 分 43 秒换了地图种子，改成借道下界。

3️⃣ 作者自己比的也是整套系统，不是 Jev。对比文档原话是 whole-system comparison，列的主要修补都在程序这一侧。49 分钟和 12 分 36 秒两局比下来，程序问 Jev 的次数从 785 降到 161。

马里奥和 Doom 也看不到边玩边学。马里奥项目里，连「这一步必须起跳」都由代码先算好；官方 Doom 演示的博客和视频里，也没提把历史或失败记录交给 Jev。

社区里真把失败经历喂给 Jev 的项目，我们找到的寥寥几个，效果都没立住。比如一个贪吃蛇项目，每局把死前几步交给 Jev，让它从规则库里选一条写进指示。第一轮选中的规则让分数减半，没过作者自己的检验。

不过，这些都不等于 Jev 学不会。那 Jev 到底能不能边玩边学？下一篇我们自己测。

Jev人工智能