AutoTavern 系统让 LLM Agent 在炉石传说酒馆战棋中达到超越人类顶尖选手的水平

该论文展示了名为 AutoTavern 的自改进研究系统，由专用 LLM 研究代理协作完成从原始数据到游戏系统的构建。系统在 20 天内构建了忠实还原《炉石传说》酒馆战棋全内容的模拟器 TavernGym，并迭代出 23 个版本的 TavernAgent。通过 PPO 训练及校准对手，TavernAgent 在真实天梯赛中评分从 6,000 提升至约 15,000，最近 20 局平均排名 1.60 且 80% 获得第一名，各项指标均优于服务器前十玩家。

核心证据在于性能对比：在包含 960 个任务的 TavernBench 基准测试中，TavernAgent 解决 91% 的任务，而前沿 LLM 最高仅达 63%；决策耗时 0.03 秒，远快于前沿模型所需的 26 秒，且在单回合限制内保持 90% 的完成率。这验证了该系统在复杂随机环境、隐藏信息及近千张卡牌交互下的有效性。

事实层面，系统已开源 TavernBench 和 TavernGym。推断层面，LLM 作为“构建者”开发出的工具（如模拟器、策略）能显著超越其作为“执行者”的直接表现，揭示了当前 Agent 在工程化构建上的潜力大于即时推理。猜测层面，这种“建而不玩”的模式可能成为未来处理高复杂度现实问题的标准范式，但具体是否适用于其他非结构化领域仍需更多实证。