GPT 6 Astra 自主游玩《纪元117》：6小时零指令建成千人城市

一位 Reddit 用户做了一个颇具启发性的实验：让 GPT 6 Astra 在完全没有插件、没有 MCP、没有游戏攻略的前提下，仅凭截图理解画面和鼠标操作，从零开始游玩策略经营游戏《纪元117：罗马和平》（Anno 117: Pax Romana）。经过约 6 小时的自主游玩，AI 建成了一座拥有 1000+ 居民、横跨 4 座岛屿并建立贸易路线、解锁大部分建筑的健康城市。

这个案例之所以值得关注，不在于游戏本身，而在于它展示了通用型 AI 智能体（Agent）在开放环境中的规划、执行与自我迭代能力。

实验设置：极简约束下的纯视觉操作

实验者刻意剥离了所有可能给 AI 提供便利的辅助手段。据其描述，整个过程满足以下条件：

• 仅用截图感知环境：AI 通过 ChatGPT 桌面应用截取游戏画面，理解当前状态，而非读取游戏内部数据。
• 仅用鼠标控制操作：所有交互都通过模拟鼠标点击完成，等同于人类玩家的操作方式。
• 没有插件、MCP 或游戏说明：AI 没有获得任何针对该游戏的先验知识或专用工具接口。
• 指令极其简单：实验者只要求它「保持经济健康」并「在进程中提升自己的游戏技巧」。

这种设置的关键在于，它逼近了一个真实世界智能体所面临的挑战——在信息不完整、没有专用接口的情况下，仅凭视觉观察和通用操作手段完成复杂任务。

ChatGPT 桌面应用（Desktop App）的截图能力是这一实验的技术基础。该应用允许模型在用户授权下周期性捕获屏幕内容，将像素级图像作为视觉输入传入多模态模型，再由模型输出下一步操作指令，程序将其转化为实际的鼠标坐标点击。这种「感知—推理—行动」的循环构成了最基础的 Agent 执行框架（Agentic Loop）。与直接调用游戏 API 或读取内存数据的传统 AI 游戏方案相比，纯视觉方案的信息损耗更大——模型必须从像素中推断 UI 元素的语义、数字的含义以及建筑之间的因果关系——但正因如此，其方法论对现实软件环境的迁移性也更强。

《纪元117》为何是个高难度测试场

《纪元》系列是经典的城市建造与经营模拟游戏，其核心难点在于供应链平衡。玩家需要管理从原材料采集、加工生产到居民消费的多级供应链，任何一环脱节都会导致经济崩溃或人口流失。

实验者特别强调「this is a complex game to balance correctly with all supply chains」（要正确平衡所有供应链，这是个相当复杂的游戏）。跨 4 座岛屿建立贸易路线更意味着 AI 需要理解资源在不同地理节点间的调配逻辑，而非简单地在单一地图上堆砌建筑。

能在这样一个多变量、需要长期规划的环境中维持经济健康并持续扩张，说明 AI 不只是在做局部的模式匹配，而是在进行某种程度的全局资源规划。

《纪元》（Anno）系列经营游戏的供应链设计遵循严格的生产比例约束：每种高级商品的生产通常依赖多种初级原料，且各生产建筑的产出速率固定，玩家必须精确计算建筑数量比例才能避免积压或短缺。例如，面包的生产需要小麦田→磨坊→面包房的三级链条，而小麦田的数量必须与磨坊的处理速率匹配。当城市扩张至多座岛屿时，不同岛屿的地貌决定了可种植的作物种类，贸易路线便成为跨岛资源调配的唯一手段，路线设计不当会造成某类物资的区域性短缺。这种多层级、跨地理节点的约束组合，使其成为考验长程规划的高质量压力测试场景。

从结果看智能体能力的进步

最终成果——1000+ 居民、4 座岛屿、贸易路线、大部分建筑解锁——放在一个没有任何游戏专属指令的自主运行场景里，确实令人印象深刻。实验者本人也坦言「genuinely impressed」（真心感到惊讶）。

值得留意的一句话是：实验者认为 AI「本可以走得更远」，只是因为「用完了每周的 token 额度」而中断。这透露出两层信息：一是 AI 的进展并未因能力瓶颈而停滞，而是被外部资源限制打断；二是这类长时程自主任务对算力/token 的消耗相当可观，成本仍是规模化应用的现实约束。

这个实验意味着什么

把游戏当作 AI 能力的试验场并非新鲜事，但过去的 AI 玩游戏往往依赖专门训练、直接读取游戏状态或调用 API。而这个案例的差异在于：

• 通用而非专用：使用的是通用大模型，没有为该游戏做任何微调或工具适配。
• 纯视觉+通用操作：与人类玩家使用相同的信息通道和控制手段，泛化性更强。
• 自我迭代：AI 被要求「提升自己的技巧」，意味着它需要在过程中总结经验、调整策略。

如果这种能力可靠且可复现，它对 GUI 自动化、软件测试、数字助理等场景都有直接启示——一个能看懂屏幕、会操作鼠标、能长时间自主推进复杂目标的智能体，其应用边界远超游戏本身。

GUI（图形用户界面）自动化是这类能力最直接的迁移场景。传统 RPA（机器人流程自动化）工具依赖预先录制的操作脚本或固定的 UI 元素坐标，一旦界面发生变化便会失效，维护成本极高。而基于视觉语言模型的新一代 GUI Agent 理论上能像人类一样「看懂」任意界面，并根据语义目标而非像素坐标来决定操作，从而具备更强的鲁棒性和跨应用泛化能力。《纪元117》实验在某种程度上模拟了一个「极端复杂 GUI 环境」：界面元素密集、状态持续变化、操作效果存在延迟反馈，若 AI 能在此场景中保持自主推进，对企业软件操作、浏览器自动化等更结构化的场景具有较强的正向参考价值。

需要保持的谨慎

必须指出，这是一个来自 Reddit 的单一个人分享，缺乏完整的操作录像、失败案例记录和可复现的实验流程。「6 小时」「1000+ 居民」这些数字无法独立验证，其间 AI 是否有大量试错、人工干预到什么程度，都不得而知。

对这类演示，合理的态度是既承认其展示的潜力方向，也保留对具体数据和方法论的审慎。它更像是一个引人思考的能力快照，而非严格的基准测试结果。