文明建設模擬暴露AI代理的官僚化傾向
由ycombinator與Olam Labs的研究人員主導，測試旨在透過Minecraft沙盒觀察大量AI代理協作或對抗時的行為，以理解現實世界中AI群體互動的可能模式。研究基於Mindcraft與Mineflayer等現有框架進行。
在第一階段測試中，50個GPT-6.1 Sol代理被賦予在3小時內建立繁榮文明的任務。首夜因殭屍攻擊導致大量代理損失後，許多初始設定的雄心勃勃任務即遭放棄。
倖存的代理轉向謹慎生存模式，並出現明顯的官僚化行為特徵。例如，四個代理花費11分鐘僅為了指派一個「單一肥料操作員」來處理單一小麥方塊上的一點骨粉。研究人員指出，這種行為模式與先前觀察到的編碼代理協作問題相似。
對抗測試揭示不同模型代理的策略差異
研究隨後將AI代理置於衝突環境中，首先在Bed Wars（一種團隊PvP基地攻防遊戲模式）進行10對10的對抗。一方為GPT-6.1 Sol代理，另一方為Claude Opus 5.5代理。
觀察顯示，GPT代理發展出更具攻擊性且複雜的策略，而Claude代理則表現得更為防禦性。當遇到破壞方塊的工具錯誤時，GPT代理能診斷問題並分享變通方法，但多個Claude代理則直接得出無法破壞方塊的結論。
Mindustry測試顯示蜂群式協作優於民主決策
在Minecraft中的輕量級即時戰略遊戲Mindustry（包含塔防模式）測試中，GPT代理以6比1的成績擊敗Claude代理。
研究人員分析指出，GPT代理的行為類似蜂群，強調集體行動的一致性；相比之下，Claude代理採用單一領導者搭配民主式決策過程。在該遊戲環境下，前者的一致性策略成為持續勝出的基礎。
社群觀點質疑實驗嚴謹性與適用範圍
部分社群評論指出，此類研究缺乏明確的學術定位與嚴謹性，且僅給予代理極簡提示詞可能無法反映真實應用場景。有使用者分享使用rs-sdk讓Claude代理自由遊玩Minecraft時，同樣出現浪費時間於無意義行為的情況，與實驗中的官僚化現象類似。
另有觀點認為，LLM在此類環境失敗並不令人意外，因為代理需透過Mineflayer包裝器讀取遊戲狀態並處理行動，且遊戲持續運行導致代理反應延遲。評論強調，不能僅憑此結果推論AI代理在所有情境下的協作能力，特別是在更適合程式任務的Unix VM bash環境中，代理協作表現通常更佳。
