PhyAgentOS/PhyAgentOS-core

PhyAgentOS‑core – 快速说明

它是什么 – 一个开源框架，允许基于语言模型的“智能体”为机器人或模拟器规划任务，执行物理动作，然后验证结果。验证循环反馈到系统中，使成功的经验成为未来任务可复用的 技能 和 课程。在论文中，他们称之为 递归自我改进 (RSI)。

关键组件

组件	作用
核心智能体	处理与 LLM 提供商（OpenAI、Anthropic 等）的聊天式交互。发送提示，接收响应，并决定何时重新规划。
提供商管理器	模型 API、认证和每次会话覆盖的中央配置。
物理执行技能	一个打包的捆绑包（tar.gz），包含机器人特定驱动程序、模拟资产和实际移动机器人的 技能运行时。
Forge / 工具 API	技能运行时必须实现的标准调用（查询、动作、验证）。
受治理交互（可选）	添加一个“监督者”，记录事件，去重经验，并自动提升已验证的课程。
Dora CLI	运行时管理器，启动/停止技能进程并在核心和技能之间路由消息。

如何使用

1. 安装 Python 包（pip install -e .）。
2. 配置 模型提供商（例如，paos provider configure openrouter）。
3. 安装技能 为您的机器人或模拟器（paos skill install <name>）。技能是版本化的捆绑包，声明所需的工具和运行时配置文件。
4. 启动技能运行时（paos skill start …）。
5. 与智能体对话（paos agent -m "Pick up the red block"）。智能体规划，通过 Forge API 将计划发送给技能，机器人执行，系统检查传感器数据以验证成功。成功的运行被存储为可复用的课程。

为什么重要

• 统一接口 – 只要存在技能，一个 CLI 即可用于任何机器人或模拟器。
• 验证结果 – 如果任务失败，系统可以自动重新规划，而不是盲目信任模型。
• 经验复用 – 成功的经验被转化为可复用的工作流，使系统能够随时间改进（“自我改进”的主张）。
• 模块化 – 认知规划与低级机器人驱动程序分离，使更换硬件或模拟环境更容易。

基准测试 – README 显示了三个标准机器人学习套件（LIBERO‑Long、RoboDojo、RoboTwin）的结果。使用 GPT‑6 模型加上“π0.5”验证层，他们报告在 LIBERO‑10 上成功率高达 100%，在 RoboTwin 上为 80%，优于公共排行榜基线。

适用对象 – 构建具身 AI 智能体的研究人员、想要即插即用 LLM 驱动控制栈的机器人实验室，以及希望在不从头编写低级集成代码的情况下尝试自我改进机器人软件的开发者。

状态 – 最新稳定版本 v1.1.0（2026 年 10 月）。MIT 许可，提供文档、快速入门指南和 Discord 社区。