跳到主要内容

智能体类型

OpenRA-RL 支持多种智能体架构，从简单的脚本机器人到 LLM 驱动的战略指挥官。

最快上手：openra-rl play​

CLI 命令可零配置运行 LLM 智能体：

pip install openra-rl
openra-rl play

它会自动处理 Docker、配置和智能体循环。以下内容适用于需要更精细控制的指挥官。

脚本机器人​

一个硬编码的状态机机器人（examples/scripted_bot.py），演示所有操作类型：

作战阶段：

  1. 部署 MCV — 展开建造车辆，设置初始单位的作战姿态
  2. 建设基地 — 发电厂 → 兵营 → 矿石精炼厂 → 战车工厂
  3. 训练部队 — 步兵 + APC，守卫建造场，装载运输车
  4. 发起进攻 — 向敌方建筑攻击移动，卸载 APC
  5. 持续作战 — 持续生产、维修、出售受损建筑
openra-rl server start
python examples/scripted_bot.py --verbose

适用场景：测试环境、了解操作类型、基准性能测试。

MCP 机器人​

一个具备规划能力的机器人（examples/mcp_bot.py），在战斗开始前使用情报工具进行侦察：

战前规划阶段：

  1. 查询敌方情报（难度、行为特征）
  2. 获取阵营简报（所有可用单位和建筑）
  3. 分析战场地图（资源位置、地形、咽喉要道）
  4. 根据情报制定作战方案

战斗阶段：

  • 使用脚本逻辑执行既定战略
  • 根据敌方攻击性调整建造顺序
python examples/mcp_bot.py --verbose

适用场景：演示战前规划阶段、情报工具集成。

LLM 智能体​

由任何 OpenAI 兼容模型驱动的 AI 智能体（examples/llm_agent.py）。支持云端 API（OpenRouter、OpenAI）和本地模型服务器（Ollama、LM Studio）。

作战能力：

  • 读取战场观测并形成战略评估
  • 使用 MCP 工具进行单位查询、科技树查询、地图分析
  • 通过自然语言到指令的转换下达作战命令
  • 根据战场态势动态调整战略
  • 战前规划阶段配合敌方情报收集
# 最简方式 — CLI 全自动处理：
openra-rl play --provider ollama --model qwen3:32b

# 或直接运行脚本：
python examples/llm_agent.py --config examples/config-openrouter.yaml --verbose

配置方式​

LLM 智能体支持多种配置方式：

# 环境变量
OPENROUTER_API_KEY=sk-or-... python examples/llm_agent.py

# 配置文件
python examples/llm_agent.py --config examples/config-ollama.yaml

# CLI 参数（优先级最高，覆盖所有其他配置）
python examples/llm_agent.py --base-url http://localhost:11434/v1/chat/completions --model qwen3:32b

示例配置文件：config-openrouter.yaml、config-ollama.yaml、config-lmstudio.yaml、config-minimal.yaml。

适用场景：LLM 游戏智能体研究、智能体强化学习探索。

MCP 服务器（用于 OpenClaw / Claude Desktop）​

OpenRA-RL 将全部 48 个游戏工具以标准 MCP 服务器形式暴露，任何 MCP 客户端均可接入作战：

openra-rl mcp-server

添加到你的 MCP 客户端配置：

{
  "mcpServers": {
    "openra-rl": {
      "command": "openra-rl",
      "args": ["mcp-server"]
    }
  }
}

或从 ClawHub 安装：

clawhub install openra-rl

然后用自然语言下达指令："开始一局红色警戒，建造带防御工事的基地，击败敌人。"

构建你自己的智能体​

实现标准的 reset/step 循环：

from openra_env.client import OpenRAEnv
from openra_env.models import ActionType, CommandModel, OpenRAAction

async def run_agent():
    async with OpenRAEnv("http://localhost:8000") as env:
        obs = await env.reset()

        while not obs.done:
            commands = []

            # Example: move idle units toward the center
            for unit in obs.units:
                if unit.is_idle and not unit.type == "harv":
                    commands.append(CommandModel(
                        action=ActionType.ATTACK_MOVE,
                        actor_id=unit.actor_id,
                        target_x=obs.map_info.width // 2,
                        target_y=obs.map_info.height // 2,
                    ))

            obs = await env.step(OpenRAAction(commands=commands))

        print(f"Result: {obs.result}")

或使用 MCP WebSocket 客户端进行基于工具的交互：

from openra_env.mcp_ws_client import OpenRAMCPClient

async with OpenRAMCPClient("http://localhost:8000") as env:
    await env.reset()
    tools = await env.list_tools()     # 48 MCP tools
    state = await env.call_tool("get_game_state")
    await env.call_tool("build_and_place", building_type="powr")
    await env.call_tool("advance", ticks=500)

关键注意事项​

  • 实时性：游戏以约每秒 25 tick 的速度运行，不会等待智能体。反应迟缓的智能体将错失战机。
  • 阵营检测：检查 available_production 来判断你是盟军还是苏军。
  • 科技树：战车工厂需要矿石精炼厂前置。建造顺序：powr → barracks → proc → weap。
  • 建筑放置：已完成的建筑必须使用 PLACE_BUILDING 放置。未放置的建筑会阻塞后续生产。使用 build_and_place 可自动放置。