civStation – Tác nhân dựa trên computer-use VLM điều khiển Civilization VI ở cấp độ chiến lược (thậm chí có cả Human in the loop)

• Harness computer-use VLM để chơi Civilization VI bằng lệnh ngôn ngữ tự nhiên
  “mở rộng về phía đông”, “tập trung kinh tế”, “chiến thắng khoa học” và các ý định cấp cao tương tự → tác nhân thực hiện thao tác thực tế

• Kiến trúc 3 lớp tách biệt chiến lược và thực thi (Strategy / Action / HITL)

  • Strategy Layer: chuyển ngôn ngữ tự nhiên → mục tiêu có cấu trúc, duy trì chiến lược dài hạn và phân rã tác vụ
  • Action Layer: nhận diện trạng thái dựa trên màn hình (VLM) + thực thi bằng chuột/bàn phím (không có API game)
  • HITL Layer: kiến trúc tự chủ có thể kiểm soát, cho phép can thiệp/chỉnh sửa/dừng trong khi thực thi

• Một chiến lược → được phân rã thành nhiều chuỗi hành động, với 2–16 lần gọi mô hình cho mỗi tác vụ

• Dựa trên sub-agent để thực thi theo từng tác vụ giới hạn như quản lý thành phố, di chuyển đơn vị

• Thử nghiệm chuyển đổi “giao diện intent → action”, thay vì dùng các phương pháp RL/IL/script truyền thống

• Cách tiếp cận ủy quyền chiến lược và điều phối tác nhân, thay vì thao tác trực tiếp

• Các vấn đề kỹ thuật chính:

  • lỗi perception của VLM,
  • execution drift,
  • khó xác minh thành công hay thất bại
  • trong thực thi nhiều bước, độ trễ và chi phí API tăng lên, chất lượng chiến lược fallback suy giảm

• Không phải tự động hóa hoàn toàn mà cho phép chỉnh sửa và kiểm soát chiến lược theo thời gian thực dựa trên human-in-the-loop

• Hệ thống thử nghiệm xử lý bài toán điều khiển / xác minh tác nhân trong môi trường chỉ có UI

• Trọng tâm không phải bản thân việc chơi game mà là “nâng giao diện người-hệ thống lên cấp độ chiến lược”

[bus710]

Đang mải miết hướng tới chiến thắng chinh phục/văn hóa/khoa học/ngoại giao thì kiểu gì cũng bị úp sọt bằng chiến thắng tôn giáo từ đâu đó.