AI能自己打紅警了！經濟拉滿零交戰慘遭打臉，玩家笑瘋

來源：新智元

AI能自己打紅警了。

Hugging Face 剛扔出一個炸彈——OpenRA-RL，直接把經典 RTS《紅色警戒》改造成了大模型的 Agent 訓練場。

不是套個殼錄段視頻那種玩具級 Demo，是真·基礎設施級別的東西——

50 個 MCP 游戲工具全量暴露，25Hz 實時狀態流不間斷推送，單進程 64 局并發訓練，LLM、腳本 Bot、強化學習 Agent 三條路線全部打通。

更狠的是，它直接原生接入 OpenEnv 生態——TRL、torchforge、Unsloth 訓練框架即插即用。

當年 DeepMind 的 AlphaStar 打星際、OpenAI Five 打 Dota，靠的是幾千塊 TPU 和完全不可復現的定制架構。

普通研究者連門在哪都找不到。

而現在，開源社區第一次把 RTS Agent 訓練的門檻一腳踹到了地上——一臺消費級顯卡，一行 pip install openra-rl，你就能站在同一條起跑線上。

實戰：經濟滿分，戰斗零蛋

讓我們看看實戰。

團隊用 Ollama 本地部署了一個 Qwen3 32B 模型，在 128×128 的盟軍地圖上對陣游戲內置的 Beginner AI，跑了 5 局。

Agent 通過 MCP 工具集接收結構化觀測、發出動作指令，每局前有策略規劃階段，結束后有反思復盤，從中提煉的經驗會注入下一局的系統提示。

結果：全部以平局告終，零次戰斗交鋒。

Agent 在每一局都成功建起了經濟體系，但從未生產出一支進攻部隊。

有趣的是，如果只看勝負，5 局全平，故事就講完了。

但 OpenRA-RL 提供了 8 維獎勵向量，畫面一下就豐富了：經濟維度得分 0.58-0.80，基建表現穩定，但戰斗和騷擾兩個維度是干脆的零。

這就是一個精確的失敗模式診斷——你能據此設計獎勵塑形和課程學習策略。

下面這段 Game 5 前 10 回合的決策日志，能直觀看到模型的「思考節奏」：

Turn  1 | get_faction_briefing()Turn  2 | end_planning_phase(strategy=「」Deploy MCV, build Power       Plant (300 ticks), then Barracks/War Factory (500/750),       train E1 + 1tnk, attack AI base at (64,64).「」)Turn  3 | deploy_unit(unit_id=120)Turn  4 | build_and_place(building_type=「」apwr「」)Turn  5 | advance(ticks=100)       -> tick=55,  cash=$5000, units=0, buildings=1Turn  6 | build_and_place(building_type=「」apwr「」)Turn  7 | build_and_place(building_type=「」powr「」)Turn  8 | advance(ticks=60)       -> tick=108, cash=$4923, units=0, buildings=1Turn  9 | advance(ticks=130)       -> tick=159, cash=$4838, units=0, buildings=1Turn 10 | advance(ticks=80)       -> tick=210, cash=$4753, units=0, buildings=1

三段式節奏清晰可見：情報+規劃 → 建造經濟 → 用 advance 快進來彌合 LLM 推理延遲和游戲速度之間的鴻溝。

工具調用分布也印證了這一點——advance 占了全部調用的約 57%，這正是異步架構設計的核心價值所在。

另一個耐人尋味的細節：第 2 局的賽后反思發現了「戰爭工廠應該排在發電廠后面」這個建造順序錯誤，到第 4 局開局計劃確實改成了先建發電廠。

提示注入式學習能修復建造順序，卻填不上戰斗維度的零分——這恰恰就是從上下文適應到權重更新式強化學習應該產生可量化提升的地方。

為什么是紅警？為什么是現在？

為什么偏偏選紅警當訓練場？

先看一個問題：一個前沿大模型，不做任何 RTS 專項訓練，能在即時戰略游戲里撐多久？

誠實的回答是：沒人知道。

因為現有的 RTS 平臺壓根就不支持 LLM Agent。

SC2LE、PySC2 這些經典框架默認你的 Agent 在毫秒級別行動，動作空間是低層操作。

LLM 的需求恰恰相反——它需要高層接口、異步交互，以及對推理延遲從 40 毫秒到好幾秒劇烈波動的容忍。

硬把 LLM 往老框架上嫁接，能跑是能跑，但結果不可比較，別的團隊也沒法復現。

OpenRA-RL 選了經典 Westwood RTS《紅色警戒》作為底座，基于開源項目 OpenRA 魔改游戲引擎。

理由很樸素：策略深度夠，代碼干凈能改，自帶從 Beginner 到 Hard 的 AI 對手梯隊。

最終的效果是，你拿 Qwen3、Claude 還是一個 Python 腳本 Bot 來對打，都是同一個環境、零改動。

三明治架構

OpenRA-RL 的架構可以用「三層三明治」來理解：

最底層是魔改過的 OpenRA 游戲引擎，用 C# 寫的，以約 25Hz 的頻率不停跳動游戲心跳。

中間是 gRPC 橋接層，實時往外推送觀測數據、接收操作指令。

最上層是 Python 封裝，對外暴露 Gymnasium 風格的 reset / step / close 接口。

在此之上，MCP 服務器把 50 個游戲動作暴露為工具，任何兼容 MCP 的 LLM 客戶端都能驅動一局游戲。

這套分層的核心目的只有一個：Agent 的計算和游戲的執行完全解耦。

一個 40 毫秒一步的腳本 Bot 和一個 2 秒一步的 LLM，跑在同一個 25Hz 引擎上，互不干擾。

64 局并發：一個進程搞定

訓練和大規模評估需要大量并發對局。

早期 v1 版本一局游戲開一個 .NET 進程，跑 64 局需要約 40GB 內存，每次重置要 5-15 秒——完全不能用。

v2 版本的核心優化是：一個 .NET 進程承載 64 個會話。

關鍵發現是 ModData（單位屬性、建筑參數、科技樹、地圖規則）在初始化后不可變，加載一次就能跨會話無鎖共享。

僅此一項就回收了約 35GB 內存。

每個會話保留獨立的 World、OrderManager 和 BotBridge，彼此隔離。

結果相當暴力：重置延遲從 5-15 秒降到 256 毫秒（快了約 40 倍），64 會話總內存從約 40GB 降到約 6GB（省了約 7 倍），JIT 編譯從 64 次降到 1 次。

真正重要的事

OpenRA-RL 真正重要的不是讓一個大模型在紅警里造了幾座發電廠。

更重要的是：這個訓練場夠硬、夠準、夠開放。

環境本身有真實的策略深度——320 億參數的前沿模型對陣最弱 AI，5 局打下來零交戰，連一次進攻都沒發起過。新手難度的紅警就足以暴露大模型在建造順序、兵種搭配、進攻時機上的短板。

而且暴露得很精確：如果只看勝負，5 局全是平局，一個字就講完了；但 8 維獎勵向量會告訴你，經濟得分 0.58-0.80，基建表現不錯，戰斗和騷擾是干脆的零——弱點在哪、課程設計往哪開刀，一目了然。

團隊在博客里列出了幾個明確的下一步方向：

• 基于 Qwen3 基線跑 GRPO（同一個 Agent，權重更新替代提示注入，看戰斗零分能不能動起來）；

• 利用 8 維獎勵做課程設計（從只需要戰斗維度的場景開始，逐級往上爬）；

• 跨模型橫評（Claude Sonnet、GPT 級模型、更小的本地模型，同一張地圖、同一個對手、同一個時間限制）；

• 以及 Agent 對 Agent 的排行榜競技。

對于 AI Agent 領域來說，這套工具的意義遠不止紅警本身。

AlphaStar 和 OpenAI Five 證明了 AI 能在 RTS 里達到超人水平，但那些成果被鎖在高墻之后——幾千塊 TPU、定制架構、不可復現。

OpenRA-RL 第一次把這堵墻推倒了一部分：一臺消費級顯卡，一行 pip install，你就站在了 RTS Agent 研究的起跑線上。

紅警是一個信號——這是強化學習該登場的地方。

而現在，登場的門票終于不再只屬于 DeepMind 和 OpenAI 了。