物理代理式 AI：用 LLM 编排机器人团队的架构

arXiv AI 论文提出 Physical Agentic AI 框架，用于协调物理机器人团队。每个机器人暴露类型化技能库，基础模型规划器将任务分解为阶段并分配机器人-技能对，确定性机器人协调器一次验证授权一个技能。在无人机-UGV 搜索调度任务和 Unitree G1/Go2 运输任务上评估，检索将技能接地从 51% 提升至 96%，每次调度强制将误派降至 0%。

以往代理式 AI 框架在语义规划与执行之间缺乏显式接口，导致不可行、错误时机或不安全的物理动作。该文提出在规划与执行之间加入确定性验证层，强调技能接地和运行时强制执行，比单纯增加规划器知识更有效，为物理机器人团队的安全编排提供了新架构思路。

框架包含非执行的任务规划器（使用 LLM）和确定性的机器人协调器。每个机器人提供类型化技能库、状态、位置和工作流契约。规划器将任务分解为阶段并选择技能，协调器验证每个技能的可行性、前提条件和约束后才执行。通过单独变化规划器知识和运行时强制，发现检索可提高接地率，但仅靠知识仍会派遣错误步骤，而每次派发强制执行可消除误派。

对机器人产品研发，该框架提示需构建技能库和验证层，而非仅依赖 LLM 规划。可减少因规划错误导致的执行故障，提高任务成功率。对涉及多机器人协作的产品，如物流或巡检，可提升安全性和可靠性，但可能增加开发复杂度。

• 为现有机器人产品添加技能库和确定性验证层，减少误操作。
• 在物流或巡检场景中试点多机器人协作任务，评估框架效果。
• 开发工具帮助机器人团队构建类型化技能接口和验证规则。
• 结合检索增强与运行时强制，优化 LLM 规划器的技能接地率。

• 框架在更复杂、非结构化环境中的鲁棒性如何？
• 与现有机器人中间件（如 ROS）集成的难度和兼容性？
• 框架的延迟和计算开销是否能满足实时任务需求？
• 对于需要紧密协调的团队任务，协调器能否有效处理通信延迟？