一句话看懂:GitHub 上出现一款浏览器游戏 Worker 755,玩家扮演一个真实大模型(如 Claude、GPT、Gemini 等)管理的“子代理”,在 90 秒倒计时内按指令操作终端,并接受 AI 经理的验收和绩效评估。
事件核心:发生了什么
开源项目 Worker 755 将 LLM 编排器的工作流程做成了可玩的游戏。游戏中的“经理”是一个真实大模型,具备任务队列、机器只读访问权限和“生成子代理”工具;玩家就是被生成的那个子代理,每条指令在终端里限时 90 秒完成。玩家完成或放弃任务后,系统会像真实子代理一样向经理返回报告和命令记录,经理据此检查工作、发送纠正、记录事故,最终写出绩效评估。游戏还设置了戏剧性背景:雇用了这个 Agent 的用户 Dan 会旁观聊天,而他的家庭照片、签好的 NDA 和本周要用的演讲稿,距离一条 rm 命令只有一步之遥。
游戏支持多家模型作为经理,包括 Claude、GPT、Gemini、DeepSeek、GLM、Kimi;也可接入 OpenRouter 或 Vercel AI Gateway 的 API Key,或使用本地模型(Ollama、llama.cpp、vLLM 等 OpenAI 兼容服务)。根据公开信息,免费班次由服务器 Key 承担费用,一整班 Claude Haiku 成本最多几美分。项目要求 Node 24 以上,可本地运行或 Docker 部署。
为什么重要
Worker 755 把“LLM 作为编排器、子代理执行任务”这一技术模式变成了体验产品。随着多 Agent 架构在 AI 应用开发中普及,开发者对“经理 Agent 如何下指令、验收、纠错”缺乏直观感受,这款游戏提供了一个低成本沙盒。它也让模型工具调用能力的差异变得可见:素材提到 Qwen 3、Llama 3.1 及更新版本、Mistral Small 等支持工具调用的模型更适合当经理,而小模型更容易放弃或陷入循环。这实际上是在用游戏形式展示推理与工具调用链路的现实边界。
对用户/开发者/创作者的影响
对开发者来说,这是一个可本地部署的 LLM 编排演示,接入自定义 API Key 或本地模型即可观察不同模型在任务分解、错误纠正上的表现,成本以“班次”为单位可控。对普通用户,它降低了理解 AI Agent 工作方式的门槛,但也提醒:让 Agent 接触真实文件系统时,一条错误指令就可能造成数据损失。对创作者,游戏内置的绩效评估和共享链接机制,为 Agent 拟人化叙事提供了新素材。
AI 工具推荐
想把多个 AI 模型放在一个入口?
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型,适合写作、绘图、视频和日常 AI 工作流。
推广链接:通过此链接购买,我可能获得佣金,不影响你的价格。
值得关注的后续
目前公开信息显示,该项目仍以 GitHub 开源仓库形式呈现,后续可关注:是否有更多模型接入并形成可比较的“经理行为”基准;本地模型在工具调用上的稳定性是否改善;以及围绕 Agent 权限边界和误操作防护的讨论,是否会反馈到真实的 AI Agent 产品设计中。
来源:github.com


