开发者近期将 AI Agent 引入原版 Minecraft，尝试让其自动建造十几万至三十余万方块、玩家可实机行走的大型建筑，并开源了底层体素编译引擎 CraftDAG。实验暴露出编译校验无法覆盖的四类空间问题：其一，15.7 万方块的山地建筑编译零报错，但洞穴顶部 69 列未封顶，瀑布悬空且无承接水池，经水体物理与局部遮挡修复后完成 550 步 Survival 实机走查；其二，澡堂观景台的命令行渲染检查通过、视线无阻挡，但第一人称正前方 62.49% 画面被实心石栏杆堵死，参与建造的 Agent 看图自检毫无察觉，改由不参与建造的独立视觉评审模型盲审才揪出问题；其三，33.4 万方块夜景街区静态检查全部合法，导入客户端触发邻居方块更新后，挂在树叶和半砖下的 203 盏灯笼全部坠落，补上挂点合法性校验才稳住 1633 盏灯；其四，自由女神像等曲面雕塑需改用 Python/C 生成三角网格再作亚体素采样，而嵌于冰川裂隙的天文台因地形被切成死板挡土墙斜面，被独立评审以 74/100 打回重做。作者总结：三维空间中真正决定成败的是未填充的负空间、玩家第一人称视线与独立视觉盲审，多模型（Claude/GPT/Gemini）接力对比的完整实验记录已整理成长文发布。
事件分析
技术看点在于将软件工程的编译校验范式迁移到三维体素世界，暴露出语法合法与空间可用之间的鸿沟：结构零碰撞不等于可看可走。尤其值得注意的是，生成者 Agent 对自己渲染图的自我批评完全失效，独立视觉模型盲审却能一眼定位缺陷，说明评审者与生成者分离是多模型协作的关键设计。产业层面，这类体素级世界构建能力可延伸至游戏内容生成、数字孪生与具身智能仿真环境搭建，而负空间感知与第一人称视角评估正是当前 Agent 空间推理的明显短板。后续走向可能包括视觉评审模型深度介入生成回路、针对三维场景的领域专用校验工具出现，以及将实机走查自动化为标准验收流程。
核心观点：编译器管得住方块语法，管不住空间语义——Agent 迈向三维世界，缺的是负空间感知与独立于生成者的眼睛。
原文链接：V2EX 分享发现
