1. 背景与核心概念当AI大模型遇上像素沙盒最近在技术社区里一个非常有趣的跨界尝试正在悄然兴起将强大的代码生成AI模型与经典的沙盒游戏《我的世界》Minecraft简称MC结合起来。你可能已经见过一些AI通过视觉识别或强化学习来玩MC的案例但今天我们要探讨的是一种更“程序员友好”的方式——利用OpenAI的Codex模型通过理解和生成游戏指令来间接地“玩”转MC世界。这不仅仅是让AI玩游戏更是探索如何用自然语言编程来操控一个复杂的虚拟环境。什么是CodexCodex是OpenAI基于GPT-3微调的一个模型系列最著名的产品就是GitHub Copilot。它的核心能力是理解自然语言描述并生成相应的代码。你可以把它看作一个“超级代码补全工具”它不仅能补全单行代码还能根据一段功能描述生成完整的函数、类甚至小脚本。它支持包括Python、JavaScript、Java在内的数十种编程语言。什么是MCMinecraft《我的世界》是一款风靡全球的沙盒建造游戏。其核心魅力在于极高的自由度玩家可以在一个由方块组成的3D世界里通过破坏和放置方块进行建造、探险、合成与生存。对于技术爱好者而言MC的魅力还在于其强大的“命令”系统。游戏内置了一套功能强大的命令Commands玩家可以通过在聊天框或命令方块中输入特定格式的文本指令来瞬间完成建造、传送、改变游戏模式、生成生物等操作这本质上是一种在游戏环境内的“编程”。为什么用Codex玩MC是一个创新点传统的AI玩MC往往需要复杂的计算机视觉CV和强化学习RL框架让AI学会看屏幕、移动鼠标和按键。这个过程训练成本高且与人类玩家的交互方式截然不同。而Codex玩MC的思路则另辟蹊径自然语言到游戏指令的翻译我们不再训练AI去“看”和“操作”而是利用Codex强大的自然语言理解能力。我们可以用人类语言如“在我的脚下生成一个由钻石块构成的10x10平台”来描述需求让Codex将其“翻译”成MC能识别的精确游戏命令如/fill ~-5 ~-1 ~-5 ~5 ~-1 ~5 diamond_block。自动化与脚本化MC的命令虽然强大但复杂的建造或一连串操作需要玩家记忆并手动输入多条命令。Codex可以根据一个复杂的描述自动生成一系列有序的命令甚至是一个可以循环执行的函数.mcfunction文件实现建造自动化。降低创作门槛对于不熟悉MC复杂命令语法但有丰富想象力的玩家他们可以用日常语言描述宏伟的建筑蓝图由Codex来负责实现成可执行的代码命令。这极大地扩展了MC创作的边界和参与度。简而言之“用Codex玩MC”的核心是构建一个从人类自然语言到MC游戏命令的“编译器”或“解释器”。这不仅是AI应用的一个有趣场景也是自然语言编程NLP在游戏和创意领域的一次具体实践。接下来我们将从环境搭建开始一步步实现这个想法。2. 环境准备与版本说明要实现Codex与MC的联动我们需要搭建一个完整的“桥梁”环境。这个环境主要分为三部分MC游戏服务端用于执行命令、一个能与Codex API通信的中间程序、以及必要的开发工具。下面我们详细说明每个环节的准备工作。重要声明本文旨在分享技术实现思路与核心方法。由于OpenAI API的访问策略、Minecraft版本以及第三方库的快速迭代部分步骤和代码可能需要根据你实际操作时的最新情况进行调整。核心逻辑和架构具有通用参考价值。2.1 核心软件与工具操作系统Windows 10/11, macOS, 或 Linux (如 Ubuntu 20.04)。本文示例以Windows为主Linux/macOS命令会有相应提示。Python版本 3.8 或更高。这是与OpenAI API交互的主要语言。请确保已安装并配置好环境变量。Java版本 17 或更高。这是运行现代Minecraft服务端如PaperMC所必需的。建议从Adoptium或Oracle官网下载安装。代码编辑器/IDEVisual Studio Code (推荐轻量且插件丰富) 或 PyCharm。2.2 Minecraft 服务端准备我们不使用客户端直接操作而是搭建一个服务端。这样我们的程序可以7x24小时运行并且通过服务端的控制台或RPC接口发送命令更加稳定和自动化。选择服务端核心推荐使用PaperMC。它是Spigot/Bukkit的高性能优化版兼容绝大部分插件且对命令执行友好。避免使用原版Vanilla服务端其扩展性较差。下载服务端访问 PaperMC官网 选择最新的稳定版本例如1.20.4的paper.jar文件进行下载。初始化服务端创建一个空文件夹如mc_server。将下载的paper.jar放入该文件夹。在该文件夹内新建一个名为start.bat(Windows) 或start.sh(Linux/macOS) 的启动脚本。Windows (start.bat):echo off java -Xms2G -Xmx2G -jar paper.jar --nogui pauseLinux/macOS (start.sh):#!/bin/bash java -Xms2G -Xmx2G -jar paper.jar --nogui首次运行启动脚本。它会下载必要文件并生成eula.txt。打开eula.txt将eulafalse改为eulatrue表示你同意Mojang的最终用户许可协议。再次运行启动脚本等待服务端完全启动并生成世界。看到类似Done (XX.XXXs)! For help, type help的提示即表示成功。输入stop命令关闭服务端。2.3 OpenAI API 配置获取API密钥访问 OpenAI平台 注册/登录后在API Keys页面创建新的密钥并妥善保存。安装Python SDK在命令行中运行以下命令安装官方库。pip install openai设置环境变量推荐为了安全不要将API密钥硬编码在代码中。Windows (CMD/PowerShell):setx OPENAI_API_KEY 你的-api-key-hereLinux/macOS (bash/zsh):echo export OPENAI_API_KEY你的-api-key-here ~/.bashrc source ~/.bashrc2.4 项目结构规划创建一个清晰的项目文件夹例如codex_mc_bridge内部结构如下codex_mc_bridge/ ├── mc_server/ # Minecraft Paper服务端文件夹 │ ├── paper.jar │ ├── start.bat │ ├── world/ # 游戏世界数据 │ └── ... # 其他服务端文件 ├── bridge_app/ # 我们的桥梁应用程序 │ ├── main.py # 主程序 │ ├── command_sender.py # 负责向MC服务端发送命令 │ ├── prompt_engineer.py # 负责构造给Codex的提示词 │ └── requirements.txt # Python依赖列表 └── README.md在bridge_app/requirements.txt中暂时只需要一行openai1.0.0然后在该目录下运行pip install -r requirements.txt安装依赖。3. 核心原理与桥梁架构拆解在开始写代码之前我们必须理解整个系统是如何协同工作的。这个“桥梁”的核心任务是将一个模糊的人类语言请求转化为MC服务端可以执行的一条或一系列精确命令。这个过程可以分解为几个关键步骤我们称之为“自然语言命令流水线”。3.1 工作流程剖析输入解析用户通过一个简单的界面如命令行、Web页面或聊天机器人输入自然语言描述例如“在我面前造一个玻璃材质的空心球体半径5个方块”。提示词工程这是最关键的一步。我们不能直接把用户的话扔给Codex。我们需要构造一个系统提示词System Prompt来“教导”Codex扮演一个“MC命令专家”的角色。这个提示词需要定义角色你是一个Minecraft命令专家。任务将用户的自然语言描述转化为有效的Minecraft游戏命令。规则只输出命令本身不要任何解释使用最简练高效的命令组合考虑命令执行的位置如使用相对坐标~ ~ ~如果需要多个命令按执行顺序列出。示例提供几个“用户输入 - 命令输出”的例子让Codex学会格式和思维模式。调用Codex API将构造好的完整提示词系统提示 用户问题发送给OpenAI的Chat Completion APICodex模型已整合到其中我们通常使用gpt-3.5-turbo或gpt-4模型请求其生成命令。响应解析与清洗接收Codex返回的文本。由于AI可能输出多余的解释或格式我们需要从中提取出纯净的MC命令。通常返回的内容就是命令本身但我们需要做安全性检查和格式验证例如确保命令以/开头。命令发送与执行将提取出的命令发送到正在运行的Minecraft Paper服务端。有多种方式可以实现Rcon (远程控制)Paper服务端支持Rcon协议允许远程程序通过TCP连接发送命令。这是最标准、最推荐的方式。控制台输入模拟通过子进程管道subprocess.Popen向服务端的标准输入写入命令。这种方式简单但不够健壮容易受控制台输出干扰。插件通信编写一个简单的Bukkit插件开启一个Socket服务器接收来自我们Python程序的消息并执行命令。这种方式最灵活但复杂度最高。结果反馈执行命令后可以从服务端控制台或Rcon响应中捕获输出如“已填充32768个方块”并将其反馈给用户完成闭环。3.2 技术选型与关键库OpenAI API客户端使用官方openai库。从v1.0.0开始其调用方式有所变化我们需要适应新的接口。与MC服务端通信对于Rcon方式我们可以使用Python库mcrcon。这是一个纯Python实现的Rcon客户端非常轻量。pip install mcrcon服务端配置要启用Rcon必须在Paper服务端的server.properties配置文件中进行设置。3.3 安全与边界考量这是极其重要的一环让AI生成并执行命令存在固有风险。命令黑名单必须严格禁止AI生成某些危险命令如op授予管理员权限、stop关闭服务器、ban/ban-ip封禁、whitelist白名单操作等涉及服务器安全和玩家管理的指令。需要在提示词中明确禁止并在代码解析层进行二次过滤。范围限制在提示词中限制命令的影响范围例如禁止使用绝对坐标填充过大的区域如超过10000个方块防止服务器卡顿或崩溃。执行确认对于复杂的或可能消耗大量资源的命令可以实现一个“预演”或“确认”步骤先让AI解释它将执行什么经用户确认后再实际发送。环境隔离强烈建议在一个全新的、独立的测试世界中进行实验避免损坏你重要的生存或建筑存档。理解了上述架构和注意事项后我们就可以开始动手搭建了。下一章我们将从配置MC服务端开始逐步实现这个桥梁的每一个组件。4. 完整实战构建Codex-MC命令桥梁现在让我们将理论付诸实践一步步构建起连接Codex与MC的完整系统。我们将采用Rcon作为通信方式因为它稳定且是服务器管理的标准协议。4.1 第一步配置Minecraft Paper服务端进入你的mc_server目录找到server.properties文件用文本编辑器打开。找到并修改以下几行配置# 启用Rcon enable-rcontrue # 设置Rcon密码请务必修改为一个强密码 rcon.passwordYourSuperStrongRconPassword123! # Rcon端口默认25575确保不被防火墙阻挡 rcon.port25575 # 可选绑定地址默认0.0.0.0表示接受所有网络接口的连接。在本地测试可以保持默认。 server-ip0.0.0.0保存文件然后启动你的Minecraft服务端运行start.bat或start.sh。在启动日志中你应该能看到类似[INFO]: RCON running on 0.0.0.0:25575的提示表示Rcon服务已成功开启。4.2 第二步编写核心Python模块在我们的bridge_app目录下创建以下几个Python文件。文件prompt_engineer.py- 构造智能提示词这个模块负责生成给Codex的“任务说明书”。# bridge_app/prompt_engineer.py def build_system_prompt(): 构建系统提示词定义AI的角色、能力和约束。 prompt 你是一个资深的Minecraft命令专家和建筑师。你的任务是将用户用自然语言描述的建筑需求或游戏操作转化为精确、高效、可执行的Minecraft游戏命令。 规则 1. 你只输出Minecraft命令不要输出任何解释、注释、Markdown格式或额外文本。 2. 命令必须以斜杠 / 开头。 3. 优先使用相对坐标~ ~ ~和局部坐标^ ^ ^除非用户明确指定了绝对坐标。 4. 对于复杂的建造尽量使用最少的命令数并考虑使用/fill、/clone、/execute等高效命令。 5. 绝对禁止生成以下危险命令/op, /deop, /stop, /ban, /ban-ip, /pardon, /whitelist, /kick以及任何形式的管理员权限操作或服务器控制命令。 6. 单次填充/fill或克隆/clone的方块数量不应超过32768个游戏单命令上限对于大型结构请将其拆分为多个合理的命令。 7. 如果用户的需求模糊或不完整基于Minecraft的常识做出最合理、最安全的假设。 示例 用户在我脚下生成一个5x5的石头平台 你/fill ~-2 ~-1 ~-2 ~2 ~-1 ~2 stone 用户把我传送到天空100格高的地方 你/tp ~ ~100 ~ 用户在我面前生成一个由橡木楼梯构成的旋转楼梯向上10格 你/execute at p run fill ~1 ~ ~1 ~1 ~10 ~1 oak_stairs[facingeast] /execute at p run fill ~-1 ~ ~1 ~-1 ~10 ~1 oak_stairs[facingwest] 注这是一个简化示例实际旋转楼梯需要更复杂的命令组合 现在请根据以下用户描述生成对应的Minecraft命令 return prompt def create_user_prompt(user_description): 将用户描述包装成完整的请求。 return f用户{user_description}\n你文件command_sender.py- 负责与MC服务器通信这个模块使用mcrcon库通过Rcon协议发送命令。# bridge_app/command_sender.py from mcrcon import MCRcon import logging logging.basicConfig(levellogging.INFO) logger logging.getLogger(__name__) class MCServerConnector: def __init__(self, hostlocalhost, port25575, passwordYourSuperStrongRconPassword123!): 初始化Rcon连接器。 :param host: 服务器地址本地运行则为 localhost :param port: Rcon端口默认为 25575 :param password: server.properties 中设置的 rcon.password self.host host self.port port self.password password self.connection None def connect(self): 建立Rcon连接 try: self.connection MCRcon(self.host, self.password, portself.port) self.connection.connect() logger.info(f成功连接到Minecraft服务器 {self.host}:{self.port}) except Exception as e: logger.error(f连接Minecraft服务器失败: {e}) raise def send_command(self, command): 发送一条命令到服务器并返回响应。 :param command: 完整的Minecraft命令字符串 :return: 服务器返回的文本响应 if not self.connection: self.connect() try: # 确保命令以斜杠开头mcrcon内部可能不要求但这是好习惯 if not command.startswith(/): command / command response self.connection.command(command) logger.info(f发送命令: {command}) logger.info(f服务器响应: {response}) return response except Exception as e: logger.error(f发送命令 {command} 时出错: {e}) return f错误: {e} def disconnect(self): 关闭Rcon连接 if self.connection: self.connection.disconnect() logger.info(已断开与Minecraft服务器的连接)文件main.py- 主程序整合所有功能这是程序的入口负责调用OpenAI API、处理提示词、发送命令。# bridge_app/main.py import os import re from openai import OpenAI from prompt_engineer import build_system_prompt, create_user_prompt from command_sender import MCServerConnector # 从环境变量读取OpenAI API密钥 api_key os.getenv(OPENAI_API_KEY) if not api_key: print(错误未找到 OPENAI_API_KEY 环境变量。请先设置。) exit(1) # 初始化OpenAI客户端 (v1.0.0 语法) client OpenAI(api_keyapi_key) # 初始化MC服务器连接器 (请修改为你的实际Rcon密码) mc_connector MCServerConnector(passwordYourSuperStrongRconPassword123!) def extract_commands(ai_response): 从AI的响应中提取纯净的Minecraft命令。 处理可能的多行输出、代码块标记等。 commands [] # 按行分割 lines ai_response.strip().split(\n) for line in lines: line line.strip() # 匹配以斜杠开头的命令并去除可能存在的行号、列表符号等 # 正则表达式匹配行首的非命令字符如数字、-、*、.和空格然后捕获命令 match re.match(r^[\d\s\-*\.]*(\/.*)$, line) if match: command match.group(1).strip() # 基础安全过滤再次检查是否包含绝对禁止的命令 dangerous_keywords [/op, /deop, /stop, /ban, /ban-ip, /whitelist, /kick] if any(keyword in command.lower() for keyword in dangerous_keywords): print(f安全警告跳过危险命令: {command}) continue commands.append(command) # 如果一行中没有斜杠但看起来像是一个完整的命令有时AI可能漏掉斜杠我们可以尝试添加 # 这里逻辑可以更复杂但为了简单起见我们主要依赖以/开头的行 return commands def generate_and_run_commands(user_input): 核心函数生成并执行命令。 1. 构建提示词。 2. 调用OpenAI API。 3. 解析响应提取命令。 4. 通过Rcon发送命令。 # 1. 构建消息 system_message build_system_prompt() user_message create_user_prompt(user_input) print(f\n 用户请求 ) print(user_input) print(\n) # 2. 调用ChatCompletion API try: response client.chat.completions.create( modelgpt-3.5-turbo, # 也可以使用 gpt-4 以获得更好的理解能力 messages[ {role: system, content: system_message}, {role: user, content: user_message} ], temperature0.2, # 较低的温度使输出更确定、更专注于命令 max_tokens500 ) ai_raw_response response.choices[0].message.content print(f AI原始响应 ) print(ai_raw_response) print(\n) # 3. 提取命令 commands extract_commands(ai_raw_response) if not commands: print(未从AI响应中提取到有效的Minecraft命令。) return print(f 提取的命令 ) for i, cmd in enumerate(commands, 1): print(f{i}. {cmd}) print(\n) # 4. 执行命令 print(正在连接Minecraft服务器并执行命令...) mc_connector.connect() for cmd in commands: print(f 执行: {cmd}) result mc_connector.send_command(cmd) print(f 结果: {result}\n) mc_connector.disconnect() except Exception as e: print(f调用OpenAI API或执行命令时发生错误: {e}) def main(): 主循环接受用户输入 print(Codex-MC 命令桥梁已启动) print(输入你的建筑需求例如在我头顶生成一个漂浮的玻璃立方体边长5) print(输入 quit 或 exit 退出程序。\n) while True: try: user_input input( 你的需求: ).strip() if user_input.lower() in [quit, exit, q]: print(再见) break if not user_input: continue generate_and_run_commands(user_input) except KeyboardInterrupt: print(\n程序被中断。) break except Exception as e: print(f发生未知错误: {e}) if __name__ __main__: main()4.3 第三步运行与验证确保MC服务器正在运行在你的mc_server目录下双击start.bat启动服务器并等待完全启动。运行桥梁程序在bridge_app目录下打开终端命令行运行python main.py进行测试程序启动后会提示你输入需求。让我们从简单的开始测试1输入在我脚下生成一个3x3的黄金块平台。预期程序会调用OpenAI API生成类似/fill ~-1 ~-1 ~-1 ~1 ~-1 ~1 gold_block的命令并在服务器中执行。你可以在游戏客户端中连接到localhost查看效果或者在服务器控制台看到“已填充xx个方块”的日志。测试2输入把我传送到X100, Y70, Z200的位置。预期生成/tp p 100 70 200并执行。测试3输入更复杂的在我面前建造一个由橡木原木构成的空心房子框架长10宽8高5。预期AI可能会生成一系列/fill命令来构建墙壁和框架。观察其生成的命令逻辑是否合理。重要提示首次运行可能会因为网络或API配置问题失败。请确保OPENAI_API_KEY环境变量已正确设置。你的网络可以访问OpenAI API。server.properties中的Rcon密码与command_sender.py中的密码一致。防火墙允许本地程序连接25575端口。5. 常见问题与排查思路在搭建和运行过程中你可能会遇到各种问题。下面是一个快速排查指南。问题现象可能原因解决思路程序报错openai.AuthenticationErrorOpenAI API密钥无效或未设置。1. 检查环境变量OPENAI_API_KEY是否已设置并生效重启终端。2. 在OpenAI平台检查密钥是否被删除或禁用。3. 尝试在代码中临时硬编码密钥仅用于测试之后务必删除。程序报错Connection refused或Timeout连接到MC服务器Minecraft服务端未启动或Rcon配置错误。1. 确认mc_server文件夹下的服务端已运行并看到RCON running日志。2. 检查server.properties中enable-rcontrue和rcon.port设置。3. 确认command_sender.py中的host、port、password与服务端配置完全一致。4. 检查防火墙是否阻止了Python程序连接25575端口。AI生成的命令不执行或执行错误1. 命令语法错误。2. 坐标计算错误。3. 玩家不在线某些命令需要目标。1.在游戏内手动输入AI生成的命令看是否报错。这能区分是AI问题还是通信问题。2. 检查提示词中的示例是否足够清晰。尝试在build_system_prompt函数中添加更具体、更准确的示例。3. 对于需要玩家实体的命令如p确保有一个玩家在线可以用客户端连接或使用/gamemode spectator旁观。4. 在main.py的extract_commands函数后添加一个手动确认步骤让用户审核命令后再发送。AI返回的不是命令而是解释性文字系统提示词约束力不够或模型未严格遵循指令。1. 在build_system_prompt中将规则第一条加粗强调“只输出Minecraft命令不要输出任何其他文本。”2. 尝试降低API调用的temperature参数如设为0.1使输出更确定性。3. 考虑升级到gpt-4模型它通常能更好地遵循复杂指令。执行/fill命令时报错“Too many blocks”AI生成的命令试图一次性填充超过32768个方块。1. 在提示词规则中明确加入单命令方块数量限制本文提示词已添加。2. 在extract_commands函数后可以添加一个简单的检查逻辑估算fill命令的方块数如果过大则警告并拆分。但这需要解析坐标实现较复杂。更简单的方法是依赖AI的规则学习。程序运行后无任何反应也不报错可能卡在API调用或网络请求上。1. 在main.py的generate_and_run_commands函数中try块前后添加更多print语句定位程序执行到哪一步。2. 检查OpenAI API的用量和余额是否已耗尽。3. 使用logging模块将日志输出到文件便于排查。6. 进阶优化与工程实践基础版本跑通后我们可以从工程化、安全性和用户体验角度进行一系列优化让这个项目从一个“玩具”变得更像是一个“工具”。6.1 架构优化引入消息队列与异步处理当前程序是同步的用户输入 - 等待AI响应 - 等待命令执行 - 返回结果。如果AI响应慢或命令执行时间长用户体验会卡顿。改进方案引入异步架构。可以使用asyncio库或将AI请求和命令执行放入后台任务队列如使用CeleryRedis。主程序立即返回“请求已接收处理中”的提示处理完成后通过WebSocket或轮询通知用户。6.2 安全性强化多层命令过滤与审计当前的安全过滤是基础的。在生产环境中需要更严格的沙箱。正则表达式黑名单构建一个更全面的危险命令和关键词黑名单使用正则表达式进行匹配过滤。命令白名单对于已知安全的命令模式如/fill、/tp、/give p等可以建立白名单。只允许执行白名单内的命令模式其他一律拒绝。执行上下文隔离为AI生成的命令创建一个虚拟的、无权限的“执行上下文”或者通过一个中间插件来代理执行该插件拥有严格的权限控制。操作日志记录所有用户输入、AI生成的原始命令、实际执行的命令以及执行结果。这对于审计和回溯问题至关重要。6.3 提示词工程深化提供上下文与记忆当前的提示词是“单轮”的AI不知道之前发生了什么。会话记忆将对话历史用户之前的请求和生成的命令也作为上下文提供给AI。这能让AI在后续请求中保持一致性例如“在刚才建的房子旁边再建一个谷仓”。世界状态注入理论上可以通过插件获取玩家当前位置、周围方块信息等并将其作为上下文提供给AI使生成的命令更精准。但这需要复杂的MC插件开发。6.4 用户体验提升图形界面与实时预览Web界面使用Flask或FastAPI构建一个简单的Web页面用户可以在浏览器中输入描述、查看AI生成命令、确认后执行。实时预览这是一个高级功能。可以尝试将生成的建筑命令通过MC的/structure命令保存为结构然后在某个预览区域加载或者使用像Schematic这样的库生成一个3D预览图在网页上显示但这超出了本文基础范围。6.5 成本与性能考量API成本OpenAI API调用是按Token收费的。复杂的描述会消耗更多Token。可以在前端提示用户描述尽量清晰简洁或者对免费/测试用户设置每日请求次数限制。本地模型替代如果担心成本或延迟可以探索使用开源的、能在本地部署的代码生成模型如CodeLlama、StarCoder来替代Codex。虽然效果可能稍逊但对于固定的MC命令生成任务通过微调或许能达到不错的效果。缓存机制对于常见的、重复的请求如“造个平台”、“建个火柴盒”可以将“描述-命令”对缓存起来下次直接使用避免重复调用AI节省成本和时间。通过以上步骤你已经成功搭建了一个将自然语言转换为Minecraft游戏命令的智能桥梁。这个项目巧妙地结合了大型语言模型的理解能力与游戏内置的脚本化功能为游戏创作和自动化打开了一扇新的大门。从简单的平台生成到复杂的结构建造你现在可以用说话的方式来“编程”你的MC世界了。记住这只是一个起点。你可以在此基础上继续探索如何让AI理解更抽象的概念如“建造一个具有哥特式风格的城堡”或者将这个过程与红石电路、命令函数.mcfunction相结合创造出真正动态和交互性的自动化建筑。技术的乐趣在于探索与创造现在你的MC世界已经接入了AI的想象力剩下的就交给你的创意了。如果在实践过程中遇到任何问题欢迎在社区分享你的经验和挑战。