OpenAI 的 GPT-6 Astra AI 模型近期展示了一项新的游戏能力：在《魔兽世界》（World of Warcraft, WoW）中，该模型能够在 40 分钟内清除“奥格瑞玛”起始区域的任务。值得注意的是，这一过程并非通过视觉识别屏幕画面完成，而是完全依赖于对服务器网络流量和任务数据的解析。
据相关 YouTube 视频显示，该 AI 智能体以一级兽人身份开始游戏，依次完成了“试炼谷”的所有任务，并顺利推进至“森金村”。整个运行过程仅使用了 Codex 中的单个提示词，配合开源客户端 Agent-wow，在私人服务器上执行操作。
技术实现：基于协议层的数据挖掘
根据 GitHub 仓库的描述，Agent-wow 是一款专为自主 AI 智能体设计的 AzerothCore WoW 客户端。它不定义移动、战斗或交互等具体游戏机制，而是提供模块系统供智能体构建所需功能。AzerothCore 是运行《魔兽世界》3.3.5a 版本（即“巫妖王之怒”最终构建版）的开源服务器软件，Agent-wow 通过游戏的网络协议与其通信，且仅连接本地私人服务器用于实验，不涉及官方在线服务器。
开发者选择《魔兽世界》作为测试平台，是因为该游戏结合了长期战略与短期战术需求。项目的最终目标是利用 AI 代理填满整个服务器，并验证其是否能在英雄难度下通关冰冠城堡。
在技术细节上，智能体构建了独立模块以获取 28 种类型的服务器消息。随后，一个 Python 脚本对这些信息进行整合，构建出智能体的世界认知模型。虽然开发者原本计划实现更高层级的抽象，但在实际运行中，智能体主要在协议层进行操作。
为了获取任务数据，智能体采用了数据挖掘手段，直接从 AzerothCore 的 SQL 文件中提取任务提供者、转入者和产卵点信息。开发者指出，这种方式类似于人类玩家花费数小时研究 Wowhead 网站上的任务攻略，但直接访问服务器源文件更具优势，因为这些数据是服务器运行的基础，而粉丝网站的数据可能存在滞后或不一致的情况。尽管公共工作空间指令将 AzerothCore 源代码列为资源之一，但目前尚不清楚本次运行是否调用了这些源码。
路径规划与策略优化
智能体在执行过程中应用了特定的规划策略。它按照前置任务的依赖顺序进行，在离开当前区域的最后一个洞穴前，会出售垃圾物品、升级装备并训练技能，同时并行处理两个洞穴任务以提高效率。
在寻路方面，智能体部署了一个 C++ 辅助程序，利用 AzerothCore 自带的导航网格文件（mmaps）绘制起点与终点之间的路线。若无法找到完整路径，Detour 路径查找库会介入寻找替代路线，并将路点坐标返回给智能体；若无可行路径则返回错误。开发者承认，“从启发式机器人的研究经验来看，寻路始终是一项主要挑战”，但评价该智能体的寻路能力为“最佳”。事实上，智能体甚至能够“利用地图错误”，穿越那些可能缺乏碰撞属性的位置。
对比过往案例与未来展望
这并非该模型首次涉足游戏领域。上个月初，在游戏发布后不久，玩家曾利用截图和玩家位置知识让 AI 游玩《传送门》（Portal）。相比之下，本次《魔兽世界》的运行完全摒弃了视觉输入，仅覆盖第一个区域；而之前的《传送门》运行则在 24 小时内完成了整个游戏流程。
近期，开发人员还尝试了其他技术方案，例如结合定制小模型、Jev 决策模型以及 Claude 的训练方法来玩《红色宝贝》（Red Dead Redemption 或其他类似游戏，原文此处指代不明，保留原意语境下的技术组合描述）。接下来的开发重点在于探索单一智能体能否独立达到 80 级上限，以及多个智能体是否能通过游戏内的社交功能协作完成高难度内容。
