AgentCraft peuple Minecraft de PNJ autonomes pilotés par l'IA

Il s'agit d'un système d'agents, pas d'un simple PNJ bavard

Je décrirais AgentCraft non comme un énième bot de discussion, mais comme une couche d'agents autour de Minecraft. Dans le README du dépôt AgentCraft, son auteur, wrxck, présente un plugin Spigot expérimental où des PNJ contrôlés par Claude reçoivent des objectifs, planifient leurs actions et les exécutent grâce aux outils du jeu.

Les documents disponibles jusqu'en octobre 2026 annoncent 35 outils de ce type. Ils couvrent l'extraction et la pose de blocs, le craft, la fonte du minerai, l'agriculture et la construction. Ainsi, une commande comme « extrais du fer » ne devient pas un unique script, mais une suite de décisions : trouver un chemin, obtenir les ressources, traiter le minerai et ranger le résultat.

Les déplacements reposent sur une recherche A* dédiée, avec un budget de calcul par tick et la prise en charge des montées comme des descentes. C'est un détail important : le modèle de langage définit l'intention et choisit les actions, mais il ne devrait pas calculer lui-même chaque pas sur la carte. Cette séparation rend généralement l'agent moins coûteux, plus rapide et plus prévisible.

La mémoire à long terme est stockée dans Qdrant avec des embeddings sentence-transformer, tandis que l'état des agents est conservé dans PostgreSQL. Selon le README, les PNJ se souviennent des joueurs, des conversations et de leurs expériences passées entre les sessions et les redémarrages du serveur. Il est possible de créer simultanément de un à dix agents aux profils différents : bâtisseur, explorateur, fermier ou mineur.

La vraie valeur n'est pas un mineur virtuel

AgentCraft est intéressant comme banc d'essai observable pour les systèmes multi-agents. Les erreurs de planification y apparaissent immédiatement : l'agent reste bloqué, choisit un itinéraire absurde, perd ses outils ou commence à construire autre chose que ce qui était demandé.

Je regarderais d'abord trois points : la récupération après une action ratée, la qualité de la récupération des souvenirs et la coordination de plusieurs PNJ. Obtenir un comportement autonome spectaculaire sur un court épisode est facile ; empêcher l'accumulation d'erreurs au cours d'une longue tâche est bien plus difficile.

Une question pratique de coût subsiste aussi. La documentation ne donne aucune consommation moyenne confirmée de tokens par heure, ce qui empêche encore d'évaluer l'économie d'une autonomie continue. Cette mesure, avec la latence des appels, dira si le projet n'est qu'une démonstration impressionnante ou une architecture viable pour de longs cycles d'agents.

Nous avons précédemment analysé Rust LocalGPT, un assistant d'IA local doté d'une mémoire persistante et d'une API. Son approche du stockage du contexte aide à comprendre comment les PNJ d'AgentCraft peuvent retenir des événements et agir selon l'expérience accumulée.