快速上手
OpenRA-RL 让你指挥 AI 智能体征战红色警戒——经典即时战略游戏。LLM、脚本机器人或强化学习智能体可以通过简洁的 Python API 建造基地、训练部队并投入战斗。
快速开始（pip 安装）
最快的参战方式：
pip install openra-rl
openra-rl play
首次运行时，交互式向导会引导你选择 LLM 供应商：
Welcome to OpenRA-RL!
Let's set up your LLM provider.
Choose provider:
[1] OpenRouter (cloud — Claude, GPT, Qwen, Mistral, etc.)
[2] Ollama (local, free)
[3] LM Studio (local, free)
CLI 会自动拉取游戏服务器 Docker 镜像并启动所有组件。
前置条件
- Docker — 游戏服务器运行在容器中（安装指南）
- Python 3.10+
- 一个 LLM 端点（云端 API 密钥或本地模型服务器）
跳过向导
直接传入参数即可跳过交互式配置：
# 云端（OpenRouter）
openra-rl play --provider openrouter --api-key sk-or-... --model anthropic/claude-sonnet-4-20250514
# 本地（Ollama — 免费，无需 API 密钥）
openra-rl play --provider ollama --model qwen3:32b
# 本地（LM Studio）
openra-rl play --provider lmstudio --model <model-name>
检查部署状态
openra-rl doctor
此命令会检验 Docker、Python、已保存的配置以及服务器状态。
CLI 命令参考
openra-rl play 运行 LLM 智能体（首次使用时启动向导）
openra-rl config 重新运行配置向导
openra-rl server start | stop | status | logs
openra-rl mcp-server 启动 MCP stdio 服务器（用于 OpenClaw / Claude Desktop）
openra-rl doctor 检查系统前置条件
openra-rl version 输出版本号
MCP 服务器（OpenClaw / Claude Desktop）
OpenRA-RL 以标准 MCP 服务器的形式暴露全部 48 个游戏工具：
openra-rl mcp-server
将以下内容添加到你的 MCP 客户端配置中：
{
"mcpServers": {
"openra-rl": {
"command": "openra-rl",
"args": ["mcp-server"]
}
}
}
或从 ClawHub 安装：
clawhub install openra-rl
然后直接对话："开始一局简单难度的红色警戒，建造基地，消灭敌军。"
运行示例
如需更精细的控制，可以直接在运行中的服务器上执行示例智能体：
脚本机器人
一个硬编码的状态机机器人，演示所有操作类型：
openra-rl server start
python examples/scripted_bot.py --verbose
MCP 机器人
一个具备规划能力的机器人，利用知识工具制定作战策略：
python examples/mcp_bot.py --verbose
LLM 智能体
由 Claude/GPT 驱动的智能体，能对战场态势进行推理分析：
python examples/llm_agent.py --config examples/config-ollama.yaml --verbose
本地开发（不使用 Docker）
如果你更倾向于原生运行游戏引擎：
1. 安装依赖
# Python 环境
pip install -e ".[dev]"
# .NET SDK（OpenRA 需要 .NET 8.0 — 或使用 DOTNET_ROLL_FORWARD=LatestMajor 搭配 .NET 10）
# macOS: brew install dotnet-sdk
# 原生库（macOS arm64）
brew install sdl2 openal-soft freetype luajit
2. 构建 OpenRA
cd OpenRA
make all
cd ..
3. 启动环境
import asyncio
from openra_env.client import OpenRAEnv
async def main():
async with OpenRAEnv("http://localhost:8000") as env:
obs = await env.reset()
print(f"Game started on {obs.map_info.map_name}")
print(f"Cash: {obs.economy.cash}, Units: {len(obs.units)}")
while not obs.done:
# 在此编写你的智能体逻辑
action = {"commands": []}
obs = await env.step(action)
print(f"Game over! Result: {obs.result}")
asyncio.run(main())