AI玩转《宝可梦红》：Jev仅花2美元通关两个道馆

一次低成本的AI游戏实验

一位Reddit用户分享了一个颇具趣味的AI实验：让名为Jev的AI模型实时游玩经典游戏《宝可梦红》（Pokemon Red），而游戏运行所需的"harness"（控制框架/中间层）则由Opus 5在过程中同步搭建。这种边玩边构建工具链的做法，展示了当前AI在自主任务执行上的灵活性。

据发帖者描述，Jev已经击败了游戏中的两个道馆（gym），而截至分享时，运行Jev所消耗的token总成本还不到2美元。这个数字本身就是这次实验最引人注目的亮点——它说明AI玩复杂游戏的门槛正在快速下降。

为什么"harness"是关键

让AI游玩一款像《宝可梦红》这样的回合制RPG，并不是简单地把游戏画面丢给模型就能完成。AI需要一套中间层来读取游戏状态、解析画面信息、并把决策转化为具体的操作指令。这套框架通常被称为"harness"。

值得关注的是，在这次实验中，harness并非事先写好，而是由Opus 5实时构建。这意味着模型在游戏推进的同时，还在不断完善与游戏交互的工具接口。这种"边跑边搭"的模式，考验的是AI的工程能力与任务分解能力，也让整个过程更接近真实的自主智能体（agent）工作流。

从技术实现角度来看，harness通常需要完成以下几个核心职责：通过模拟器API（如PyBoy或BizHawk）读取游戏内存中的状态数据（角色位置、HP、背包物品等）；将游戏画面截图或结构化状态转化为模型可理解的文本/图像输入；接收模型输出的行动指令并映射为实际按键操作；以及维护一个"记忆缓冲区"来避免模型在长对话中遗忘关键进度。Opus 5在游戏过程中实时生成这套框架，本质上是在执行一种"工具使用（tool use）+ 自我反思"的循环：模型先尝试某种接口设计，根据游戏反馈判断是否有效，再迭代修改。这种能力与近年来兴起的"LLM作为程序员"范式高度契合，也是评估模型工程推理能力的重要维度。

成本才是真正的信号

在过去，让大型模型完成长时序、多步骤的游戏任务往往意味着高昂的推理成本。而这次不到2美元就打完两个道馆的记录，反映出两个趋势：

• 模型效率提升：新一代模型在完成同样任务时消耗的token更少。
• 任务编排更精细：合理的harness设计能减少无效的推理调用，避免token浪费。

对于开发者和爱好者而言，低成本意味着这类实验不再是资源雄厚的实验室的专利。任何人都可以用几美元的预算，跑一场自己的AI游戏挑战。

用游戏检验AI能力的价值

《宝可梦红》作为AI基准测试的载体并不是偶然。这类游戏包含长期记忆、地图导航、战斗策略、资源管理等多重挑战，能够综合检验一个模型的规划与执行能力。相比一次性问答，通关游戏要求AI在数百甚至上千步操作中保持目标一致性。

Anthropic此前也曾用《宝可梦》系列作为衡量Claude长时序能力的参考。这次社区用户的自发实验，某种程度上延续了这一思路——用一个人人熟悉的游戏，直观地展现AI能力的边界。

《宝可梦红》发布于1996年，是Game Boy平台的回合制RPG经典，整个游戏包含8个道馆、151种可捕捉精灵以及线性叙事主线。从AI基准测试的角度看，它的优势在于：状态空间有限但决策树极深（通关需要数百步有效操作）；游戏规则对人类玩家高度透明，便于评估AI是否"真正理解"而非随机试探；且社区工具链成熟，便于低成本接入。2024年，一个名为"Twitch Plays Pokémon AI"的项目和Anthropic内部的Claude评测都曾以此为测试场景。相比抽象的数学推理题或代码生成任务，游戏通关进度是一个直观且可量化的里程碑，使得不同模型、不同时间节点的能力对比更为清晰。

结语：小实验，大想象

这条Reddit帖子本身信息量不大，但它折射出的方向值得留意：AI智能体正在从"回答问题"走向"完成任务"，而完成任务的成本正在急剧下降。当一个AI能用不到2美元玩转经典游戏并自建工具链时，我们有理由对更复杂、更实用的自主智能体应用抱有期待。

感兴趣的读者可以关注原作者的后续更新，围观这场AI宝可梦挑战能走多远。