PhyAgentOS/PhyAgentOS-core

PhyAgentOS‑core – 빠른 설명

정의 – 언어 모델 기반 '에이전트'가 로봇 또는 시뮬레이터의 작업을 계획하고, 물리적 동작을 실행한 다음 결과를 검증할 수 있게 하는 오픈소스 프레임워크입니다. 검증 루프는 시스템에 피드백되어 성공적인 경험이 향후 작업을 위한 재사용 가능한 스킬 및 교훈이 됩니다. 논문에서는 이를 재귀적 자기 개선 (RSI)이라고 부릅니다.

주요 구성 요소

구성 요소	역할
코어 에이전트	LLM 공급자(OpenAI, Anthropic 등)와의 채팅 스타일 상호 작용을 처리합니다. 프롬프트를 보내고, 응답을 받고, 재계획 시점을 결정합니다.
공급자 관리자	모델 API, 인증 및 세션별 재정의를 위한 중앙 구성입니다.
물리적 실행 스킬	로봇 특정 드라이버, 시뮬레이션 자산 및 실제로 로봇을 움직이는 스킬 런타임을 포함하는 패키지 번들(tar.gz)입니다.
Forge / 도구 API	스킬 런타임이 구현해야 하는 표준화된 호출(쿼리, 동작, 검증)입니다.
관리 상호 작용(선택 사항)	에피소드를 기록하고, 경험을 중복 제거하고, 검증된 교훈을 자동으로 승격시키는 '감독자'를 추가합니다.
Dora CLI	스킬 프로세스를 시작/중지하고 코어와 스킬 간에 메시지를 라우팅하는 런타임 관리자입니다.

사용 방법

1. 설치 Python 패키지(pip install -e .).
2. 구성 모델 공급자(예: paos provider configure openrouter).
3. 스킬 설치 로봇 또는 시뮬레이터용(paos skill install <name>). 스킬은 필요한 도구와 런타임 프로필을 선언하는 버전 관리 번들입니다.
4. 스킬 런타임 시작 (paos skill start …).
5. 에이전트와 대화 (paos agent -m "Pick up the red block"). 에이전트는 계획하고, Forge API를 통해 스킬에 계획을 보내고, 로봇이 실행하고, 시스템이 센서 데이터를 확인하여 성공을 검증합니다. 성공적인 실행은 재사용 가능한 교훈으로 저장됩니다.

중요성

• 통합 인터페이스 – 스킬이 존재하는 한 하나의 CLI가 모든 로봇 또는 시뮬레이터에서 작동합니다.
• 검증된 결과 – 작업이 실패하면 모델을 맹목적으로 신뢰하는 대신 시스템이 자동으로 재계획할 수 있습니다.
• 경험 재사용 – 성공적인 에피소드가 재사용 가능한 워크플로로 전환되어 시스템이 시간이 지남에 따라 개선될 수 있습니다('자기 개선' 주장).
• 모듈성 – 인지 계획은 저수준 로봇 드라이버와 분리되어 하드웨어 또는 시뮬레이션 환경을 쉽게 교체할 수 있습니다.

벤치마크 – README에는 세 가지 표준 로봇 학습 스위트(LIBERO‑Long, RoboDojo, RoboTwin)에 대한 결과가 나와 있습니다. GPT‑6 모델과 'π0.5' 검증 레이어를 사용하여 LIBERO‑10에서 최대 100% 성공률, RoboTwin에서 80% 성공률을 보고하여 공개 리더보드 기준선을 능가합니다.

대상 – 구현 AI 에이전트를 구축하는 연구자, 플러그 앤 플레이 LLM 기반 제어 스택을 원하는 로봇 공학 연구소, 그리고 저수준 통합 코드를 처음부터 작성하지 않고 자기 개선 로봇 소프트웨어를 실험하려는 개발자.

상태 – 최신 안정 버전 v1.1.0(2026년 10월). MIT 라이선스, 문서, 빠른 시작 가이드 및 Discord 커뮤니티 제공.