机器人 / 物理 Agent Harness 综合分析与对比：从「更强的模型」到「更好的系统」

机器人 / 物理 Agent Harness 综合分析与对比：从「更强的模型」到「更好的系统」
第二部分　五个项目逐一拆解

0x00 概要

本文覆盖五个在 2026 年集中出现、共同回答"如何为机器人/物理 Agent 构建 Harness"这一问题的代表性项目：

项目	一句话定位	关键论文 / 仓库
X-OmniClaw	边缘原生多模态 Android Agent，让手机具备「感知-记忆-行动」闭环	arXiv:2605.05765 / github.com/OPPO-Mente-Lab/X-OmniClaw
MemoHarness	让 Agent 的 Harness（六维控制面）从执行经验中学习，测试时逐用例自适应	arXiv:2607.14159 / github.com/HowieHwong/MemoHarness
HumanCLAW	具身评估框架：冻结 VLM + 原子技能 + 半物理模拟，衡量"动作智能"	arXiv:2607.27180 / 未开源
RoboClaw	长程机器人任务的 Agent 框架：VLM 贯穿采集-训练-执行全生命周期	arXiv:2603.11558 / github.com/MINT-SJTU/RoboClaw
RPent（Harness VLA）	用 LLM Agent 编排冻结 VLA，把它"驾驭"成可靠的操控基元	arXiv:2607.08448 / github.com/RLinf/RPent

这五个项目不约而同地把优化重心从"模型权重"转移到了"包围模型的系统层"。

X-OmniClaw 在边缘侧搭了三支柱架构；
MemoHarness 把 Harness 本身变成可学习对象；
HumanCLAW 用解耦把"决策智能"从"运动控制"中干净地分离出来；
RoboClaw 让同一个 VLM 贯穿数据全生命周期；
RPent 用固定基元库把冻结 VLA 变成可靠的螺丝刀。

模型负责"局部专长"，Harness 负责"全局编排"——这是五份文档共同指向的核心判断。

0x01 面对的难点与核心冲突

1.1 核心冲突的一句话版本

我们先把五个项目各自面对的矛盾压缩成一句话：

模型的"单项能力"很强，但"放进系统里做事"的可靠性很差——失败时你甚至说不清是模型想错了，还是系统/身体执行错了。

把这句话展开，五个项目分别撞上了它的不同侧面：

X-OmniClaw 撞上的是"能力的入口过于碎片化"：手机上的输入有截图、摄像头、语音、定时器、外部渠道，UI 有的能拿到结构化 XML、有的只有一张像素图，如何把这些异构信号融合成统一的执行意图？
MemoHarness 撞上的是"控制层的高维耦合与弱监督"：context / tool / generation / orchestration / memory / output 六个维度互相牵连，改一个就要连带改其他五个；而 benchmark 只给"过/不过"的二元标签，无法告诉你是哪个维度出了问题；到了真实部署连这个二元标签都没有。
HumanCLAW 撞上的是"决策与执行的纠缠"：机器人摔倒了，到底是"VLM 判断错了该不该上楼梯"（决策错），还是"腿没抬够高绊倒"（执行错）？结果无法区分，因此你永远测不出纯决策能力。
RoboClaw 撞上的是"三阶段语义断裂 + 长任务错误级联"：数据采集、模型训练、部署执行由不同角色/进程驱动，成功判据和状态分布都对不上；且长任务一步错、步步错，步骤越多整体成功率指数下降。
RPent 撞上的是"范式错配"：端到端 VLA 在局部接触操作上极强，但在语义重定向、目标换位等部署扰动下会"在错误的目标上执行完全正确的动作"；LLM 编码式 Agent 擅长推理却写不出精细接触动作——两边都让错误组件承担了过多职责。

1.2 深挖：难点的四个层次

我们把上述矛盾归纳为四个递进的层次，这构成了整篇报告的分析骨架：

核心冲突的完整表述：我们想让 Agent 在真实环境（物理世界 / 手机系统 / 终端命令行）里可靠地完成长程任务，但 (1) 无法把不同组件的职责干净切分、失败无法归因；(2) 决策所需的信息/记忆分散且不足；(3) 测试时没有反馈信号且验证机制薄弱；(4) 数据获取与经验沉淀成本高、分布错位。四个问题互相纠缠，单独修任何一个都会撞上其他三个。

0x02 这些项目如何解决这些难点

2.1 解法总览：一张映射表

我们把"难点 → 解法"的因果链画出来，这是本报告最值得反复看的一张表：

难点层次	典型问题	解决策略	代表项目
职责边界	决策与执行纠缠	决策-执行解耦：冻结决策者，把低级控制抽走/外包	HumanCLAW（半物理模拟抽走平衡）、RPent（VLA 只做接触）
职责边界	模型被要求什么都做	职责再分配：LLM 做规划/绑定/编排，模型只做擅长的事	RPent（LLM 编排 + VLA 接触）、RoboClaw（VLM 元控 + VLA 策略）
职责边界	文本与连续运动之间鸿沟	原子技能接口：把连续控制折叠成离散可组合的技能	HumanCLAW（8 个原子技能）、RPent（8 个基元）、RoboClaw（策略池）
信息记忆	异构输入碎片化	统一感知入口 + 时序对齐	X-OmniClaw（Omni Perception）
信息记忆	长程任务状态维持	分层记忆体系（工作/任务/长时）	X-OmniClaw、RoboClaw、RPent、MemoHarness 全覆盖
信息记忆	经验无法复用	经验外置化：logs 升级为可检索的决策经验	MemoHarness（双层经验银行）、RPent（JSONL 轨迹+全局规则）
反馈验证	测试时无反馈	检索即自适应：训练期积累经验，测试期零额外搜索	MemoHarness
反馈验证	失败无法归因	诊断算子：把"过/不过"升级为"失败在哪个维度"	MemoHarness（D1-D6）、HumanCLAW（确定性规则归因）
反馈验证	LLM 长上下文推理退化	短上下文验证器：用"当前视角即可回答"的 prompt 复查	HumanCLAW（技能专用验证器）
反馈验证	长任务错误级联	运行时过程监督 + 三级恢复（重试→恢复→人类）	RoboClaw
数据进化	训练/部署分布不匹配	统一语义回路：同一决策逻辑贯穿三阶段	RoboClaw
数据进化	人工复位成本高	纠缠动作对（EAP）：正反策略对自动复位循环	RoboClaw
数据进化	Harness 全局静态、不逐用例自适应	六维解耦 + 经验银行 + 测试时自适应	MemoHarness

2.2 三条贯穿性的解题主线

上面 14 条映射背后，其实是三条更抽象的主线，我们逐个拆解。

主线一：分层与解耦（Hierarchy & Decoupling）——把"想"和"做"切开。

五个项目不约而同地把系统切成"慢脑（决策/编排）"和"快脑（执行/控制）"两层。我们以 X-OmniClaw 和 RoboClaw 为例看这两层是怎么分工的：

慢脑（决策层，100ms+）：看全局 → 拆任务 → 选动作/基元/工具 → 编排顺序
    │  由 LLM/VLM 承担，冻结或即插即用，不参与底层控制
    ▼
快脑（执行层，20ms 级）：把决策翻译成连续的关节动作 / UI 点击 / 命令执行
    │  由 VLA 策略 / 运动生成器 / 确定性控制器 / 工具函数承担
    ▼
物理/系统（结果层）：施加重力、碰撞、UI 响应等真实后果，返回新观测

关键设计判断是：分层不是目的，可归因才是目的。HumanCLAW 说得最直白——用半物理模拟把平衡/电机跟踪失败"抽走"，失败就 100% 归因于决策；RPent 用确定性 Analytic Primitive 把非接触操作从 VLA 剥离，VLA 只负责接触瞬间，这样"抓取失败"能定位到 VLA，"路径不对"能定位到规划器。

主线二：基元化（Primitivization）——把连续空间折叠成离散接口。

VLM/LLM 只能输出离散 token，而人体有上百个关节、机械臂有连续动作空间，中间隔着一条鸿沟。三个项目给出同一解法的三种形态：

HumanCLAW:  8 个原子技能  walk/side_step/step_back/turn/climb/walk_down/sit/stop
RPent:      8 个基元      vla_act + move_to/rotate_wrist/rotate_pitch/move_pose/...
X-OmniClaw: 50+ 原子工具  device(snapshot/act/launch) / 系统 / 文件 / 记忆 / 调度 / 渠道

基元化的收益有三点：① 组合推理被强制推回给决策者（"坐到沙发上"这种黑盒指令被禁止）；② 每个基元可独立验证、独立训练、即插即用（HumanCLAW 新增技能只训一个 ControlNet，RPent 扩展只加一个方法）；③ 失败归因粒度可控（能精确到"哪个技能/基元"）。

主线三：经验外置与自进化（Externalized Experience & Self-Evolution）——把"跑分"变成"学习"。

MemoHarness 把这条主线讲得最系统。传统 Agent 是"一次配置，永久生效"，logs 是死数据；MemoHarness 把每次执行变成一条可检索的决策经验（PerCaseEntry），跨案例再蒸馏成全局模式（GlobalPattern），测试时"检索即自适应"。RoboClaw 的 EAP 是物理世界版的同一条主线：正向策略做完任务、逆向策略自动复位，形成一个"练习→复位→练习"的自进化闭环，部署中的失败轨迹也回流训练。RPent 的 Memory（任务特定 JSONL 轨迹 + 全局 .md 规则）同样是经验外置——只是它"重绑定坐标、绝不重放坐标"，比直接存参数更稳健。

一句话总结解法：五个项目用三种武器（解耦、基元化、经验外置）打同一场仗——把"模型会什么"和"系统要可靠"之间那道鸿沟，用一层可学习、可验证、可归因的 Harness 填上。

0x03 五个项目的详细对比

3.1 一张表看懂五个项目

维度	X-OmniClaw	MemoHarness	HumanCLAW	RoboClaw	RPent (Harness VLA)
领域	Android 移动 Agent	通用 Agent 控制层优化	具身智能评估	长程机器人操作	冻结 VLA 操控编排
核心对象	边缘设备上的自主手机 Agent	Agent 的 Harness/六维控制面	VLM 的"动作智能"	机器人全生命周期	VLA 与 LLM 编排的结合
决策者	云端 LLM/VLM（编排）+ 本地 YOLO/OCR	LLM Controller（策略决策）	冻结 VLM（零训练）	VLM 元控制器（不训练）	LLM Planner（不训练）
执行者	50+ 工具 / Intent 启动 / 行为克隆	生成的 HarnessImpl 代码	技能条件化运动生成器	VLA 策略（π0.5/ACT，需训练）	冻结 VLA_ACT + 7 个解析式基元
学习对象	无（行为克隆=记录 Intent 参数）	Harness 本身（六维配置）	无（纯评估）	底层 VLA 策略 + 经验回流	规划器的编排策略（存 Memory）
记忆体系	工作记忆 + 长时个性记忆（Gallery）	双层经验银行（per-case + global）	文本历史（紧凑状态摘要）	角色/任务/工作三层记忆	任务特定 Memory + 全局 Memory
验证机制	后置动作检查 + 循环检测 + 上下文预算	诊断算子 g(·) + 词典序选择	技能专用短上下文验证器	运行时过程监督 + 重试/恢复/人类三级	基元执行后验证 + 重新 staging
失败归因	语义级（工具/阶段）	维度级（D1-D6）	决策级（身体意识/距离幻觉/...）	子任务级（重试/恢复分级）	基元级（VLA 接触 vs Analytic）
关键创新	双轨 UI 接地 + Intent 行为克隆	六维解耦 + 检索式测试时自适应	决策-执行解耦 + 半物理模拟	EAP 自复位 + 统一语义回路	固定基元库 + 感知隔离 + 文件 REPL
开源	✓ (Apache 2.0, Kotlin/Python)	✓ (Python)	✗（未开源）	✓ (Python, LeRobot)	✓ (Python)
主要局限	Android 碎片化 / 隐私-云脱节 / LLM 延迟	搜索成本 / 泛化有限 / 预算混杂争议	半物理抽象 / 仅 sit 一种交互 / 无本体感知	EAP 仅限可逆操作 / 逆策略失败下界	基元库固定小 / 感知隔离脆弱 / 开环 chunk
发展阶段	最完整的产品级开源方案	研究原型，提出概念框架	研究基准，给出诊断结论	论文方案（开源实现尚未完整）	论文方案 + 较完整开源实现

3.2 按"模型是否冻结"分阵营

这是五者之间最干净的一条分界线，我们专门拆开看：

阵营 A：决策者冻结，纯编排（不训练任何决策参数）
  ├─ HumanCLAW：9 个 VLM 全冻结，零任务微调，衡量"互联网推理能外推多远"
  ├─ RPent：VLA 全程 torch.no_grad()，只学规划器的编排策略（存 Memory）
  └─ RoboClaw：VLM 元控制器用 in-context learning，但底层 VLA 策略要训练
       ↑ 注意 RoboClaw 是混合体：决策层冻结、执行层训练

阵营 B：把 Harness 本身变成学习对象
  └─ MemoHarness：在开发集上做结构化搜索，把六维配置调成最优 + 经验银行
       ↑ 学习的是"控制策略"而非"模型权重"，训练/测试两阶段分离

阵营 C：不学任何东西，纯工程组装
  └─ X-OmniClaw：无模型训练；"智能"来自多模型编排 + 提示工程 + 行为克隆记录

这条分界线背后是一个此消彼长的权衡：模型越强，Harness 越可以"傻"；模型越弱/越不可靠，Harness 越要聪明。2026 年这批工作的共同判断是：即使模型在快速变强（π0→π0.5→RLDX-1→LingBot-VLA），部署扰动下的可靠性问题并不会自动消失，所以 Harness 必须从"手工静态配置"进化为"可学习、可自适应、可验证"的层。

3.3 按"测量/优化对象"分视角

X-OmniClaw、RoboClaw 是"建造者"：它们的目标是让系统真正干成事（手机助手、长程任务），用成功率/干预率/数据效率衡量。
HumanCLAW 是"考官"：它不建造可部署系统，而是设计一场能隔离变量、可归因的考试，用来衡量"动作智能"。
MemoHarness、RPent 是"教练"：它们优化"如何用现有模型"，MemoHarness 教练控制层，RPent 教练编排策略。
共同点：五者都承认——"模型能力"与"系统可靠性"之间有一条必须由系统层填平的鸿沟，这正是本报告的总论点。

0x04 当前业界的实现方案总结

站在 2026 年年中回看，业界对"机器人/物理 Agent 如何构建"已经沉淀出七条可辨识的实现路线，五个项目分别是其中若干条的典型代表：

路线一：分层编排（Hierarchical Orchestration）——已成事实标准。
几乎所有新系统都采用"慢脑决策 + 快脑执行"的两层甚至三层架构。差异只在：决策者是否冻结（HumanCLAW/RPent 冻结，RoboClaw 用 ICL）、执行者是否学习（RoboClaw 的 VLA 训练，RPent 的 VLA 冻结）。这条路线已从"学术选项"变为"工业默认"。

路线二：基元/技能化接口（Primitive / Skill Interfaces）。
把连续控制折叠成离散可组合接口，已成为连接 LLM 与物理/UI 的主流介质。从人类行为克隆（X-OmniClaw 记录 Intent）到原子技能（HumanCLAW）到基元库（RPent）到工具函数（RoboClaw 的 MCP 工具），本质是同一件事：让语言模型只做离散选择，让连续执行落到专用层。

路线三：记忆外置化（Externalized Memory）。
"记忆不在上下文里，而在系统里"成为共识。X-OmniClaw 的工作/长时记忆、RoboClaw 的三层记忆、RPent 的双层 Memory、MemoHarness 的双层经验银行，都是把状态与经验从 LLM 上下文窗口里搬出来，变成可查询、可演化、可审计的持久层。

路线四：验证与过程监督（Verification & Process Supervision）。
从"跑完看结果"进化为"每步看状态"。RoboClaw 的运行时过程监督、HumanCLAW 的技能验证器（对抗长上下文退化）、X-OmniClaw 的后置验证 + 循环检测 + 上下文预算、MemoHarness 的诊断算子，四者指向同一个判断：可靠性来自"边做边查"，而不是"一步到位"。

路线五：自主数据引擎（Autonomous Data Engines）。
训练数据的获取正从"人工示范 + 人工复位"转向"系统自主采集"。RoboClaw 的 EAP（正反策略对自动复位）是最典型的代表；MemoHarness 的经验蒸馏、RPent 的探索式自举（seed 0 试错后固化轨迹）是同一思路的软件形态。

路线六：Harness 优化自动化（Automated Harness Optimization）。
这是 2026 年才真正成型的新路线。MemoHarness 把 Harness 优化定义为"六维结构化搜索 + 经验检索式自适应"；同期出现的 Meta-Harness（Lee et al. 2026）优化 harness 代码本身；"Code as Agent Harness"（arXiv:2605.18747）把它上升为范式。业界开始把"手工调 prompt/参数"的隐性工程，变成可搜索、可归因、可迁移的一等研究对象。

路线七：评估基准的"解耦化"（Decoupling in Evaluation）。
HumanCLAW 代表了对评估方法本身的反思：与其给 Agent 一个模糊的环境，不如设计能隔离变量、失败可归因的考试（决策-执行解耦 + 半物理 + 确定性归因规则）。这与 MemoHarness 用"诊断而非分数"指导搜索、RPent 用"感知隔离"逼出 LLM 真视觉推理能力，同属"让评估更有信息量"的浪潮。

业界实现方案的七条路线可以用一句话收束：从"单体模型承担一切"走向"分层系统各司其职"——编排、基元、记忆、验证、数据、Harness、评估七个环，共同构成新一代物理 Agent 的完整拼图。

0x05 未来趋势判断

基于平行论文的互相印证，以及对当前方法的批评（尤其 Wang et al. 对 harness evolution 的"预算混杂"质疑），我们给出七条趋势判断，并按确信度排序：

趋势一（高确信）：从"训练更强的模型"转向"构建更好使用模型的系统"。
RPent 明确说这是范式转移，MemoHarness 把控制层变成可学习对象，Code as Agent Harness 综述把它上升为领域。这个趋势的确定性最高——因为模型能力提升与部署可靠性之间的鸿沟不会自动合拢。

趋势二（高确信）：Harness 优化从"手工"走向"自动化 + 匹配预算的严谨评估"。
MemoHarness 已示范"搜索 + 诊断 + 经验检索"，但 Wang et al. 的批评一针见血：不匹配预算的比较会高估 harness 优化的收益。未来必然出现两类工作：① 更聪明的搜索（无监督信号、在线增量搜索、经验质量门控）；② 更严格的评估（与 test-time scaling 在相同推理预算下对比）。

趋势三（高确信）：执行层从"开环 chunk"走向"可中断闭环"。
RPent 论文自己承认"开环反馈结构是当前局限"；VoLo 的"可中断 VLA + VLM 运行时介入"提供了直接方向。凡是需要连续视觉判断的任务，开环 chunk 都无法胜任——这是物理操作避不开的硬需求。

趋势四（中高确信）："具身自我意识"成为核心研究主题。
HumanCLAW 用 16.8% 成功率给出了本年度最尖锐的实证结论：识别不是瓶颈，模型不知道自己身体在哪才是。MirrorBench（镜子自我识别）、AwareVLN（自省导航）、CapNav（身体维度忽视）从不同角度互相印证。预计身体感知后训练、本体感知/接触信号输入、内部身体模型会成为下一轮热点。

趋势五（中确信）：评估基准统一化与"有信息量的成功定义"。
HumanCLAW 的"主观确认"（客观到达 + 主动承认）直指一个更深的问题：现有 benchmark 的"成功率"高估了 Agent 的真实能力。未来基准会要求"到达即自省"（知道'我到了'），而不是仅仅"物理上到了"。这与 MemoHarness 批评者的诉求（预算匹配、持出集泛化）共同指向评估严谨化。

趋势六（中确信）：在线/持续学习与跨 Agent 经验共享。
MemoHarness 附录明确画出路线图：有监督搜索 → 在线经验积累 + 增量蒸馏 → 无监督搜索 → 多 Agent 联邦式经验共享。RoboClaw 的 EAP 部署回流、RPent 的 Memory 固化都是雏形。真正的"越用越强"需要解决经验质量保障（避免偶发成功被蒸馏成错误模式）与灾难性遗忘。

趋势七（低-中确信）：多模态传感融合与真实世界验证。
HumanCLAW 的麻婆豆腐压力测试、RPent 的厨房场景推演都暴露了纯 RGB-D 感知的极限（透明物体、反光、蒸汽、软体变形）。温度、触觉、力传感器 + 多光谱融合 + 流体/软体物理引擎，是走向真实厨房/家庭的必经之路；而"解耦时学到的决策能否迁移到真实双足/双臂"仍是未经验证的开放问题。

两股反向力量值得注意：① 保守派（Wang et al.）提醒我们 harness 优化的增益可能部分来自"多了几次搜索尝试"而非"学到了更好的策略"——这条批评会持续收紧该领域的可信度标准；② 激进派（Google Project Astra 传言等）提醒我们，如果系统级 Agent 能力被平台方收编，第三方 Agent 获取系统级权限的窗口可能关闭。

0x06 双视角解读：难点、解决方案与未来趋势

本节对前三节最核心的三个命题，分别用"十二岁孩子"和"专业人士"两种语言各讲一遍。

6.1 难点：为什么"模型很强，系统却不可靠"？

给孩子讲：

想象你有一个特别聪明的朋友小明，他数学超好、记忆力超好，但你让他"去厨房把蓝碗里的苹果拿出来放到红盘子上"——他会走到半路忘了要干嘛，或者走到苹果前却不知道自己已经"到了"，甚至可能撞到桌子还把杯子打翻。小明不是笨，他只是没有"身体的感觉"：他的眼睛在看着世界，但他的脑子感觉不到"我的手在哪、我离苹果还有多远、我刚才撞到了什么"。

再打个比方：你让一个很聪明但是坐在轮椅上的司机开车。他能看懂导航、知道路线，但他控制不了油门刹车（手够不到），车一跑偏他也不知道（没有车身反馈）。整个系统就这样——聪明的大脑和听话的身体之间，缺一根"连线"。这就是所有机器人/手机助手最难的地方。

给专业人士讲：

这是一个"能力-可靠性"错位问题，可以形式化为三层纠缠：① 职责纠缠——系统失败 f = h(VLM 决策, 执行误差, 平衡失败)，无法反卷积出责任主体；② 信息纠缠——决策所需的本体感知/接触信号/历史状态要么不存在、要么被塞进一个会退化的长上下文里；③ 信号纠缠——benchmark 只给二元奖励，不提供"失败在哪个环节"的归因信号，且真实部署连二元奖励都没有（测试时无反馈）。MemoHarness 把这个问题表述为"control layer 高维耦合 + 弱监督 + 无反馈"；HumanCLAW 把它表述为"决策与执行在物理后果上不可分离"；RPent 把它表述为"两个范式把错误组件分配了过多职责"。三条表述指向同一个结构：缺乏一层能把职责切清、能产生归因信号、能在无反馈时依然自适应决策的系统层。

6.2 解决方案：解耦 + 基元化 + 经验外置为什么有效

给孩子讲：

我们把问题拆成三招，就像给小明配一个教练和一个遥控器：

第一招，分工：让小明只负责"想"（看、猜、决定下一步），让一个"机器人替身"负责"动"（走、抓、放都做得特别标准，绝不摔跤）。这样万一没做好，我们就能确定——一定是小明想错了，不是替身不听话。
第二招，把动作变成"命令卡"：不许小明说"你去完成整个任务"这种大话，只准他说"往前走半米""向右转 30 度""坐下"这些小命令。每张命令卡游戏会自动执行得完美。想得对就赢，想错就输，清清楚楚。
第三招，记笔记：小明每次做完都记下来"在沙地上转弯要慢一点""上次到椅子前 0.5 米就宣布到了是错的"。下次遇到差不多的情况，先翻笔记再行动，不用再犯同样的错。

三招合起来，就是五个项目共同做的事：聪明的脑袋 + 听话的身体 + 一本越来越厚的好经验手册。

给专业人士讲：

三招的学名分别是 解耦（decoupling）、基元化（primitivization）、经验外置（externalized experience），它们各自解决一个结构性缺陷：

解耦解决"归因不可能"的问题。HumanCLAW 用半物理模拟（世界走刚体物理、人体走等价运动学速度）把平衡/电机失败剔除，使"失败 = 决策失败"成为可证命题；RPent 用冻结 VLA + 解析式基元把"接触 vs 编排"的失败分离；RoboClaw 用慢脑/快脑分离把语义决策与确定性控制解耦。解耦的收益是失败归因的因果确定性，代价是牺牲了真实世界中被解耦掉的那部分挑战（平衡、电机耦合、本体感觉）——这是 HumanCLAW 被批评者围攻的软肋。
基元化解决"文本-连续鸿沟"与"组合推理被偷走"的问题。把 >100 维连续控制折叠成 8 个原子技能后，VLM 只做离散选择，运动生成由 ControlNet 兜底；组合责任被强制推回决策者，杜绝"坐到沙发上"这类把寻找/定向/承诺塞进黑盒的指令。基元化的工程红利是每个基元可独立验证、独立训练、即插即用，缺陷是基元库的完备性决定能力上限（RPent 的"固定且小"假设在厨房场景立刻破产）。
经验外置解决"无反馈部署"与"数据/经验不能复用"的问题。MemoHarness 的"训练期搜索 + 测试期检索"是教科书式的解法——把需要标签的搜索压缩到开发集，部署时靠余弦相似度检索经验，实现零额外搜索的自适应；RoboClaw 的 EAP 则是物理世界版的"自复位数据引擎"，把采集分布对齐部署分布。三者的共同代价是经验质量没有保证：一次偶发成功被蒸馏成全局模式，就会系统性教坏后续所有用例。

6.3 未来趋势：往哪里走

给孩子讲：

以后机器人会变成什么样？我猜有四个方向：

更像"教练+运动员"组合：以后重要的不是找一个什么都会的"超人"，而是"聪明的教练"和"专门的运动员"配合——教练看全局做决定，运动员专练自己拿手的动作，还能练出新动作。
命令卡越来越多、越来越细：从"走/转/停"进化到"抓/切/倒/拌"，每一张卡都能被精确检查做没做对。
机器人慢慢学会"感觉自己的身体"：这是最难的一步，就像闭着眼睛也能知道手在哪儿。现在最聪明的 AI 都做不到，所以这是最大的宝藏。
机器人会记笔记、会互相学：今天失败的教训，明天不再犯；这个机器人学会的，别的机器人也能学会。

给专业人士讲：

趋势可以压缩为三个结构性的转向：① 优化对象的迁移——从 model weights 到 system control layer，证据是 MemoHarness/Meta-Harness/Code as Agent Harness 的连续出现与"Harness Engineering vs Prompt Engineering"的正式分野；② 反馈通道的丰富化——从稀疏二元奖励到维度级诊断（MemoHarness）、到执行时介入（VoLo 的可中断 VLA）、到本体感知与接触信号（HumanCLAW 建议的对照实验）、到过程监督（RoboClaw），这条线的本质是把"跑完才知道"变成"边做边知道"；③ 评估的严谨化——匹配预算对比、持出集泛化、主观确认式成功定义、确定性归因规则，这条线会持续挤压"PPT 式 Demo"的生存空间。

最值得盯的三个拐点：其一，当 VLM 开始具备可靠的身体状态估计（proprioception 重建）时，HumanCLAW 的 16.8% 会跳涨，同时也说明该基准测的是"信息缺失"而非"能力缺失"（两可解释至今未决）；其二，当 harness 优化在匹配预算下证明自己的独立价值（而非预算红利）时，MemoHarness 一系的地位将被确认，否则会被归并为"test-time scaling 的一种特殊形态"；其三，当平台方（Google/Apple 等）把系统级 Agent 能力收编进 OS 时，第三方 Agent 的权限获取窗口决定整个生态的走向。

0x07 总结

五篇论文指向同一个判断：物理/机器人 Agent 的下一场增量，不在"更强的模型"，而在"更好的系统"。

X-OmniClaw 证明了这套判断在边缘移动端成立——完整的三支柱栈 + 工业级可观测性，是当下最接近产品化的蓝图；MemoHarness 把它上升为方法论——控制层六维可学习、经验可复用、测试时零反馈自适应，同时接受着"预算混杂"的严肃拷问；HumanCLAW 用一场干净的解耦考试揭示出最深的短板——模型看得见世界，却感觉不到自己的身体；RoboClaw 用 EAP 和统一语义回路打通了"越用越强"的数据闭环，却被"可逆性"牢牢框住；RPent 用冻结 VLA + 固定基元库示范了"驾驭比重新训练更可靠"，却撞上"开环 chunk 与连续视觉判断"的墙。

它们各自的缺点，恰恰就是彼此的去处：HumanCLAW 缺本体感知，RPent 缺闭环与可编程控制，RoboClaw 缺不可逆操作与仿真，MemoHarness 缺匹配预算的证明与在线进化，X-OmniClaw 缺标准评估与权限治理。把这些短板补起来的方向——身体意识、可中断执行、经验质量门控、匹配预算评估、多传感融合——就是下一代机器人 Agent Harness 的完整施工图。

第二部分　五个项目逐一拆解

2.1 X-OmniClaw：边缘原生多模态 Android Agent

2.1.1 基础架构与基本功能

X-OmniClaw（OPPO Mente Lab）把手机视为一个"第一人称计算接口"，围绕感知-记忆-行动三位一体构建。它要解决的核心矛盾是：云端虚拟化方案拿不到真实设备上下文、纯截图视觉方案缺乏结构化精度、单体自动化缺乏跨任务连续性。基本功能包括：多模态输入（语音/视觉/UI）融合理解、跨 App 多步任务执行、个性化记忆（相册语义化 + 用户画像）、行为克隆（把用户导航路径提炼为可复用技能）、定时/外部渠道（飞书/Discord）自动化。

它采用 Kotlin + Python (Chaquopy) 混合架构：Kotlin 负责平台胶水（UI、工具执行、HTTP 调用），Python 负责 Agent 业务逻辑（迭代控制、上下文预算、循环检测），两者通过 KotlinBridge 模式交互。这个"薄桥接层"架构在移动端不多见，却带来了良好的关注点分离与可维护性。

2.1.2 架构图（四层闭环）

2.1.3 数据流（以"这个多少钱"比价为例）

用户输入("这个多少钱" + 摄像头帧)
  → Omni Perception: VLM 识别"用户手持 Evian 喷雾"
      意图分解: {app:"taobao", action:"search", keywords:"Evian 喷雾 价格"}
  → AgentLoop (Python):
      Iter1: 调 LLM → 返回 device(action="launch", target="com.taobao.taobao") → 执行OK
      Iter2: snapshot 观察结果页 → LLM 返回 device(action="act", tap 搜索框) → 执行OK
      Iter3: type 输入 → 搜索 → scroll → screenshot → VLM 提取价格 → 组装回答
  → Omni Memory: Working memory 维持多轮状态；Gallery memory 闲时照片语义化
  → 结果返回: UI 气泡 / TTS 朗读；session_log 落盘

2.1.4 优点

系统完整性：当前 Android Agent 生态中工程最成熟、方案最完整的开源一次性方案。
务实的工程路线：行为克隆走 Intent 参数化而非端到端学习，UI 理解走双轨决策而非单一路径，都经得起生产考验。
工业级可观测性：五层日志 + 14 种运行时进度事件 + Crash 面包屑，调试/运维层面具备生产准备度。
隐私优先设计：感知与操作本地完成，仅"动脑子"才调云端，含脱敏过滤（ImageMemoryPrivacyFilter）。
自控制模块：self-control/ 让 Agent 能内省并修改自身运行时状态（导航/配置/服务/日志查询），业界最早的"Agent 自省"开源实现之一。

2.1.5 缺点

Android 碎片化：重度依赖 AccessibilityService，MIUI/EMUI/One UI 对无障碍树支持参差，碎片化是生态固有问题。
电池与热功耗：活跃会话功耗 +15%，CameraFramePusher + YOLO ONNX + 频繁截图难以 7×24 后台运行。
LLM 仍是瓶颈：复杂任务累计 10-40 次 LLM 调用，延迟和成本是部署核心障碍；"边缘原生"名不副实（照片摘要/规划仍需云端）。
隐私-云脱节矛盾：VLM 语义摘要仍需把照片发云端，脱敏与上云自相拉扯。
缺乏标准化 Benchmark：以三个 Demo 而非定量指标展示效果，第三方难以复现（"PPT Agent"批评）。
状态管理分散：运行时状态散布在 Python 字典、ContextManager、MMKV、MemoryIndex，无事件溯源，审计困难。

2.1.6 改进方向

标准化评估：在 AndroidWorld/OSWorld 上建立 SR/步数/token/延迟基线。
对抗性 UI 测试框架：广告弹出、动态布局、A/B 切换、网络延迟注入。
隐私技术栈强化：差分隐私/联邦学习，VLM 摘要本地化（Gemma 4/Qwen-VL 边缘可运行）。
统一状态管理：事件溯源，Agent 动作全部不可变事件化，支持审计回放。
权限治理框架：Read-only / Approval-required / One-time 分层权限模型。

2.2 MemoHarness：让 Agent 的缰绳从经验中进化

2.2.1 基础架构与基本功能

MemoHarness 的核心洞察是：Agent 的性能瓶颈往往不在基础模型本身，而在包围模型的"控制层"（Harness）——上下文如何组装、工具如何调用、生成如何配置、多步推理如何编排、记忆如何管理、输出如何校验。同一模型同一工具，不同 Harness 可造成数十个百分点的差异；但传统 Harness 是静态的、全局统一的、靠工程师手工调参的。MemoHarness 让它可学习、可记忆、可逐用例自适应。

它有两个生命阶段：阶段一（训练）在有参考答案的开发集上做六维结构化搜索 + 诊断 + 经验蒸馏；阶段二（测试）对每个新用例检索经验银行，零标签、零反馈、零额外搜索地自适应出 case-specific Harness。基本功能包括：六维 Harness 配置模型、引导式搜索、双层经验银行、测试时检索自适应、正确性优先的词典序选择。

2.2.2 架构图（双阶段）

2.2.3 数据流（核心搜索循环）

Step 1: W0 = make_minimal_config()   # D1无demo/D2无工具/D3 temp=0/D4 single_call/D5无记忆/D6直通
Step 2: for t = 1..T:
   q_t = Q(W_{t-1}, B_{t-1})              # 构建检索查询
   S = Retrieve(B, q_t)                    # 检索相关经验
   W_t = Π_train(W_{t-1}, S)               # Controller 生成新 harness
   for each x_i: 执行 → r_i=奖励 → z_i=g(诊断: 成功?主维度?分析)
   写入 E_t；更新 case_stats；每 N 轮或连续失败≥3 触发 Distill→G_t
Step 3: W* = 词典序 argmax(r_mean, -c_mean)
Step 4: 每个测试 case: 检索 Top-K 成功/失败 → Π_test → W(x_j) → 执行

2.2.4 优点

系统性的 harness 解耦：六维分解是第一个把 Agent 控制层完整形式化的框架，为后续研究提供清晰分类学。
经验复用：检索式自适应在 zero-shot 测试场景高效，无需每个新 case 重新搜索。
跨模型迁移：6 个基础模型上 +9.8% 平均提升，说明学到的不只是模型特定的 prompt。
正确性优先设计：词典序选择（r_mean, -c_mean）防止搜索漂移到"便宜但错误"的配置。
开源代码质量高：数据模型清晰、模块化好、注释充分，是很好的研究起点。

2.2.5 缺点

搜索成本不匹配基准比较：与固定 harness 的比较没算搜索预算，被 Wang et al. 明确指出。
泛化性有限：自身报告是"选择性"迁移；平行研究显示持出集几乎无增益。
单一 baseline 模型：主要实验只用 GPT-5.3-Codex。
归因不完整：无消融说明每个维度的独立贡献（论文自己承认）。
经验质量无保证：一次"运气的成功"可能被蒸馏成错误全局模式，且经验中毒（错误诊断被放大）未讨论。
检索延迟：测试时检索 + 自适应增加每次调用延迟。

2.2.6 改进方向

匹配预算的基准比较：与 parallel sampling 在相同推理成本下对比。
经验质量门控：蒸馏前验证模式可重现性（多次重复验证）。
在线学习：部署后持续积累经验，触发增量搜索。
归因消融：找出哪些维度最值得搜索。
无监督搜索：探索无参考答案时的 harness 优化（论文已列 future work）。
跨组织经验隔离：多租户共享经验银行时的安全与隐私。

2.3 HumanCLAW：解耦决策与执行，衡量"动作智能"

2.3.1 基础架构与基本功能

HumanCLAW（Meta + NTU + UW + Brown + Northwestern，2026.07）回答一个尖锐问题：VLM 能否通过一个物理身体行动？ 核心创新是解耦：闭环中冻结的现成 VLM 只负责"决策"——每 0.5 秒发出一个原子技能指令（walk(x,z,ψ)、sit(h)），一个技能条件化运动生成器把它变成 0.5 秒的连续全身运动，一个半物理模拟器在世界中执行并施加重力、碰撞、摩擦的真实后果——但把平衡、电机跟踪这类低级控制失败完全排除。这样任务失败 100% 可归因于决策。

基于此构建的 HumanCLAW-Bench 含 41 间室内场景 1,218 个第一人称"寻找-导航-交互"长程 episode，测试 9 个前沿 VLM，最佳仅 16.8% 成功率。核心发现：识别目标不是瓶颈（感知接近饱和），真正的瓶颈是"具身自我意识"缺失——模型不知道自己身体在哪、是否已到达、是否撞到障碍。

2.3.2 架构图（三模块闭环）

2.3.3 数据流

决策:  ⟨s_t, c_t⟩ = H(p, o_t, h_t)      # H = harnessed VLM
验证:  ⟨s_t, c_t⟩ ← Verifier(⟨s,c⟩, o_t, body_state)   # 不通过则替换修正技能
运动:  x̂_t^fut = G(x_t, s_t, c_t)      # G = 技能条件化生成器
物理:  o_{t+1} = W(x_t, x̂_t^fut)       # W = 半物理模拟器
归因:  失败 episode → 确定性规则分类（身体意识34% / 距离幻觉30% / 中层推理17% / ...）

2.3.4 优点

方法论创新：决策-执行解耦让"动作智能"首次可独立测量、失败可精确归因。
严谨的错误归因：自动化、确定性、可复现的根因分类器，无人工标注。
深刻的实证发现："具身自我意识缺失"是有说服力、可操作的结论，并量化了各失败模式。
工程优雅：原子技能 + ControlNet 即插即用 + 零初始化 = 可扩展、可维护。
公平对比：9 个模型统一脚手架、统一度量，开源模型接近前沿的发现对社区有价值。
可操作建议：验证器/中层推理/文本历史的消融为"如何改进具身智能"提供具体方向。

2.3.5 缺点

半物理抽象牺牲了"平衡与电机耦合"的真实挑战（被批评为"为 VLM 回避真实挑战"）。
交互词汇表单一（只有 sit），动作智能覆盖范围窄。
无 proprioception 接口："自我意识缺失"可能源于信息不足而非能力缺失（两可解释）。
无与 fitted policy 的对照，"推理者泛化>策略泛化"的哲学承诺未经检验。
样本量/场景数有限（1,218 episodes / 41 场景），无置信区间。
归因粒度限于技能层面，技能内参数错误未被区分。
数据策展依赖人工，技能扩展成本可能随规模上升。
运动先验与场景错位：AMASS 无场景上下文，坐姿不包含"避让沙发靠背"，暴露"位置-运动分离"的深层局限。

2.3.6 改进方向

丰富交互词汇表：加入抓取、放置、开门等，测试更精细的身体放置。
增加本体感知通道：有/无 proprioception + 接触信号的对照实验，厘清"缺失输入 vs 缺失能力"。
与 fitted policy 对照：RL/BC 训练的人形策略在同一基准对比，检验核心哲学假设。
持续记忆与自定位模块：spatial memory（拓扑地图）而非仅靠文本历史。
动态技能参数化：场景感知的坐姿（给定座椅位置+朝向），弥合"位置-运动分离"缺陷。
真实人形迁移：把 half-physics 训练出的决策者接到真实双足机器人。
RL/后训练改进身体意识：身体感知后训练、接触信号、中层推理例程。
难度自适应验证器：根据身体状态/进度动态调整检查强度。

2.4 RoboClaw：VLM 贯穿全生命周期的长程任务 Agent 框架

2.4.1 基础架构与基本功能

RoboClaw（arXiv:2603.11558）解决的核心问题是三阶段语义断裂：数据采集、模型训练、部署执行由不同角色/进程驱动，导致语义不一致、分布不匹配、错误级联。解法是统一语义回路：用一个 VLM Agent 贯穿三阶段，使决策逻辑、成功判据、状态表示在采集与执行中保持一致。

基本功能：任务分解（CoT）、子任务选择（VLM + ICL）、策略执行（VLA 底层控制）、状态检查（Env Summary 工具）、错误恢复（重试/恢复/人类三级）、闭环学习（部署数据回流训练）。其核心创新 EAP（纠缠动作对） 为每个策略配一对正/反策略，正向执行完自动逆向复位，形成"练习→复位→练习"的自进化数据采集循环，把人工干预降到 1/8。

2.4.2 架构图（慢脑/快脑分离）

2.4.3 数据流（从用户指令到自进化闭环）

User 任务指令 → VLM 元控制器(CoT推理+子任务选择) → MCP 8组工具
      → VLA Policy(π0.5/ACT) → 动作序列 A_t → 机器人执行
      → 失败分析 → 恢复策略 → 反馈到 VLM 重规划        ← 备份路径
      → EAP: 正向↔逆向自复位 → 轨迹 τ=(τ^→,τ^←)
          → Dataset(Parquet+MP4) → Trainer(LoRA微调)
          → PolicyLib(更新版本) → 回流部署策略          ← 数据回流闭环

2.4.4 优点

统一语义回路：同一 VLM 贯穿采集/训练/执行，训练时看到的状态 = 执行时遇到的状态。
EAP 自复位数据引擎：人工干预降至 1/8，数据采集效率提升 53.7%，且采集分布对齐部署分布。
运行时过程监督 + 三级恢复：重试→恢复策略→人类介入，长任务错误不级联放大。
慢脑/快脑分离 + 双层互斥 + SafetyGateway：架构上保证硬件安全。
越用越强闭环：部署失败数据回流训练，策略版本持续升级（5 轮 EAP 采集：润肤露放置 42%→86%）。
零代码本体接入：对话式 onboarding 自动生成 Manifest/发现串口/校准。
LeRobot 生态集成：14 策略/11 机器人，扩展策略只需 30 行 Pipeline builder。

2.4.5 缺点

EAP 前提假设强：要求每个正向操作有可行逆操作；拧开瓶盖可逆，撕开包装/加热/切割不可逆——适用范围局限于可逆操作。
逆策略成功率下界：P(EAP 完整) = P(正)×P(逆)，逆向失败 14%-28% 时环境可能进入两策略都无法处理的未知态，仍需人类介入。
VLM 延迟瓶颈：每步决策 1-3 秒云 API 延迟，执行模式重规划延迟更突出。
策略间独立性假设：多次自复位后的渐进状态漂移未量化。
开源实现与论文差距：论文用 π0.5（闭源）而开源用 ACT；EAP 尚未完整实现；AGIBOT G01 专有。
仿真不足：无 sim-to-real 域迁移工具，实验全在真实环境、成本高。
实验局限性：仅 4 种抓取类任务、单一机器人平台、一个长任务。
安全性隐忧：逆策略失败可能产生危险动作；仅"Call Human"兜底，缺硬件级安全约束。

2.4.6 改进方向

推广 EAP 到不可逆操作：虚拟逆操作、仿真逆向复位（sim-to-real 混合 EAP）、消耗品替换复位。
延迟优化：本地 VLM 推理、预测性预加载、简单状态走规则/复杂状态才调 VLM 的混合推理。
策略间依赖建模：环境状态追踪器量化状态漂移，超阈值触发重新校准；学习 Q(s,a) 评估可持续性。
扩展机器人能力：导航、mobile manipulation、多机器人协作。
强化仿真管线：MuJoCo/Genesis 集成、域随机化迁移、仿真预训练 + 真机微调。
架构级安全：关节限位、力矩监控、碰撞检测，与 VLM 决策交叉验证。
经济性分析：token 消耗、端到端推理成本、与纯人工方案的经济对比。

2.5 RPent（Harness VLA）：用 LLM 编排冻结 VLA，驾驭成可靠操控基元

2.5.1 基础架构与基本功能

RPent 的诊断非常犀利：VLA 模型在标准测试里 96% 成功率，环境稍变（换位置、换指令指代）就跌到 50%——不是 VLA 不会抓，而是它在错误的目标、错误的时间、错误的状态下执行。原因是 VLA 被要求同时做语言理解、语义绑定、空间推理、长程组合、局部控制五件事，而它只擅长第五件。

解法：用 LLM Agent 做前四件，让 VLA 只做第五件。中间通过一个冻结的基元库连接：一个基于学习的 VLA_ACT 原语（封装冻结 VLA，只做接触操作：抓取/放置/按按钮/转旋钮）+ 7 个确定性 Analytic 原语（move_to/rotate_wrist/rotate_pitch/move_pose/set_gripper/release/navigate_to，处理所有非接触操作）。系统通过文件介导的 REPL 协议通信（command.json → 执行 → state_NN.json + 图像 + 深度图 → LLM 读取 → 循环），该协议受 Claude Code / Codex 启发。

它有两个生命阶段：探索式自举（seed 0，有 reset 权限，宽松预算，试错后写 Task-Specific Memory + Global Memory）与部署评估（reset 禁用，预算紧缩，检索 JSONL 轨迹但重绑定坐标、绝不重放坐标）。

2.5.2 架构图

2.5.3 数据流（一个基元调用周期）

LLM 读 state_NN.json（任务语言+本体感觉+物体名，无坐标）+ RGB-D/world map
  → 解析当前接触目标（从 RGB 选稳定像素 → back_project 反投影 → 取中位数）
  → 写出 command.json 基元调用 c_t
  → 环境执行（VLA_ACT 用 pi0_pick 闭环判定，Analytic 用 OSC 伺服）
  → done_NN.flag → 生成 state_{N+1} + 图像 + 深度图
  → LLM 验证执行结果（检查接触/位置）→ 成功则继续，失败则重新 staging 重试

2.5.4 优点

职责再分配是核心贡献：VLA 只做接触，LLM 做绑定/编排/接地，成功率高且失败可归因（LIBERO-Pro 50.0%→82.4%）。
冻结 VLA + 固定基元库：部署可靠性高、VLA 权重永不更新、学习对象单一清晰。
文件介导 REPL：每步输入输出有完整记录，审计/调试可离线，LLM 可随时查状态。
感知隔离 + 深度反投影：证明 LLM 具备从 RGB-D 自行推理空间的能力（而不是依赖特权状态）。
记忆"重绑定不重放"：避免过拟合 seed 0 坐标，跨布局可迁移。
工程实现扎实：post_min_peak_z、atan2 偏航提取、O(1) 反投影缓存等技术细节质量高。
评测成绩显著：Standard LIBERO 96.0%、RoboCasa365 Atomic 91.6%、RoboTwin C2R 58.4%（vs π0.5 47.9%）。

2.5.5 缺点

开环 chunk 反馈结构：论文自己承认——LLM 在 VLA 执行 5 步 chunk 期间完全盲视，无法执行时介入；对比 VoLo 的可中断 VLA。
感知隔离的脆弱性：深度噪声（边缘/透明/反光/细长物体）、手动选像素的推理密集、无闭环验证（选点错误会传播）。
基元库"固定且小"的假设：仅覆盖 LIBERO/RoboCasa/RoboTwin 三个模拟器；真实世界可能需更多基元（Cortex 用 32 个）。
Memory 构建代价：每新任务需 seed 0 探索；若产生次优轨迹，re-grounding 效果受限；Global Memory 写入需人工反馈。
纯模拟器验证：真实世界的深度噪声、相机标定漂移、系统延迟未覆盖。
开环 vs 连续视觉判断矛盾：VLA 动作生成与视觉监控架构性分离，实时判断任务（搅拌变色/炖煮不沸）无法胜任。

2.5.6 改进方向

闭环集成：借鉴 VoLo 的"可中断 VLA + VLM 运行时介入"，在 VLA 执行中持续观测。
在线适应结合：与 Agentic-VLA（在线适应 VLA 权重）结合——前者解决编排、后者解决适应，论文承认可互补。
Memory 自动演化：Global Memory 写入自动化（摆脱人工 .md 反馈）。
感知泛化：SAM3 集成、更鲁棒的深度处理（透明/反光物体）。
真实世界验证：相机标定漂移、系统延迟、多光谱/触觉融合。
动态扩展基元库：按需扩展 CUT/POUR/STIR/SET_TEMP/WAIT_UNTIL 等，配合 VLA 训练数据扩展。

posted @ 2026-09-22 20:11 罗西的思考阅读(22) 评论(0) 收藏举报

刷新页面返回顶部

机器人 / 物理 Agent Harness 综合分析与对比：从「更强的模型」到「更好的系统」

机器人 / 物理 Agent Harness 综合分析与对比：从「更强的模型」到「更好的系统」

0x00 概要

0x01 面对的难点与核心冲突

1.1 核心冲突的一句话版本

1.2 深挖：难点的四个层次

0x02 这些项目如何解决这些难点

2.1 解法总览：一张映射表

2.2 三条贯穿性的解题主线

0x03 五个项目的详细对比

3.1 一张表看懂五个项目

3.2 按"模型是否冻结"分阵营

3.3 按"测量/优化对象"分视角

0x04 当前业界的实现方案总结

0x05 未来趋势判断

0x06 双视角解读：难点、解决方案与未来趋势

6.1 难点：为什么"模型很强，系统却不可靠"？

6.2 解决方案：解耦 + 基元化 + 经验外置为什么有效

6.3 未来趋势：往哪里走

0x07 总结

第二部分 五个项目逐一拆解

2.1 X-OmniClaw：边缘原生多模态 Android Agent

2.1.1 基础架构与基本功能

2.1.2 架构图（四层闭环）

2.1.3 数据流（以"这个多少钱"比价为例）

2.1.4 优点

2.1.5 缺点

2.1.6 改进方向

2.2 MemoHarness：让 Agent 的缰绳从经验中进化

2.2.1 基础架构与基本功能

2.2.2 架构图（双阶段）

2.2.3 数据流（核心搜索循环）

2.2.4 优点

2.2.5 缺点

2.2.6 改进方向

2.3 HumanCLAW：解耦决策与执行，衡量"动作智能"

2.3.1 基础架构与基本功能

2.3.2 架构图（三模块闭环）

2.3.3 数据流

2.3.4 优点

2.3.5 缺点

2.3.6 改进方向

2.4 RoboClaw：VLM 贯穿全生命周期的长程任务 Agent 框架

2.4.1 基础架构与基本功能

2.4.2 架构图（慢脑/快脑分离）

2.4.3 数据流（从用户指令到自进化闭环）

2.4.4 优点

2.4.5 缺点

2.4.6 改进方向

2.5 RPent（Harness VLA）：用 LLM 编排冻结 VLA，驾驭成可靠操控基元

2.5.1 基础架构与基本功能

2.5.2 架构图

2.5.3 数据流（一个基元调用周期）

2.5.4 优点

2.5.5 缺点

2.5.6 改进方向

公告

第二部分　五个项目逐一拆解