机器人学习到底该"把能力烤进权重"还是"让 Agent 自己写代码"？——arXiv 2608.01851 给一张全景图，把"Skill"这个词的五种含义一次切清
- 关联论文：2608.01851
你有没有想过这样一个问题 🤔：
你买了个家务机器人回家。 它说"我自带 100 个技能"—— 你让它去厨房拿杯子，它说"我只会客厅技能"。 你换了台新机器人，同一个技能"完全用不了"。
这不全是机器人的问题。
是"技能 (Skill)" 这个词太乱。
arXiv 2608.01851 (Weights or Skills?) 说："Skill" 至少被五种含义混用了 5 年，搞得整个机器人学习领域鸡同鸭讲。
把这件事拆成两个对立赌注：
- Weights 派（VLA 模型：RT-2 / OpenVLA / π0 / GR00T）——把"看到什么就做什么"烤进冻结权重
- Skills 派（code-as-policy）——让 Agent 在运行时自己写、改、记可执行代码
然后沿着"自我改进程度"一轴，把 code-as-policy 方法排成 4 档：
L1 零样本程序合成 ↓ L2 闭环自修复（每次重新发明轮子） ↓ L3 持久技能记忆（存起来下次复用） ↓ L4 执行反馈 + 记忆 + 进化搜索（极少系统占据：ASPIRE / ENPIRE / RoboClaw）同时指出市面上的机器人技能商店只卖"静态回放"——留下一堆开放的工程与安全问题。
听起来像给整个机器人学习圈做了一次"术语大扫除 + 商业市场体检"，对吧？
作者就是这么做的——整理了 77 个代表性系统、6 个技术家族、11 张图 11 张表。
为什么这事值得每个做机器人 / Agent / 具身 AI 的人关心
今天你做机器人学习，几乎一定在这两个流派之间反复横跳：
- "Skill" 一词的五种含义混用——行为原语 / 神经策略块 / 代码 / 记忆条目 / 宏动作；不澄清就没法比较
- 同样叫 code-as-policy，零样本写代码和"反馈+记忆+进化搜索"完全是两件事——扁平罗列会掩盖关键差异
- 商用技能商店已经在卖"一键技能"——但只卖静态回放，导致工程落地时不知道哪些能直接复用、哪些必须重写
这件事一旦成立，意味着什么？
- 先定义"skill"再实现——在自家平台里统一规定 skill 的语义（推荐 code sense + 持久记忆 + 验证）
- L3 是工程甜区——L4 的进化搜索工程量是断崖式，非研究团队建议直接走 L3 稳定路线
- 不要直接复用商用技能商店的 static skill——除非做严格来源审计与 embodiment 适配
一句话核心
把机器人学习切成 Weights 派 (VLA 冻结权重) 与 Skills 派 (Agent 自己写可执行代码) 两个对立赌注，沿「自我改进程度」一轴把 code-as-policy 排成 L1→L4 四档，并指出只有 code sense 的 skill 才能在不更新梯度的前提下自我改进——这是 Weights 与 Skills 之争的真正分歧点。
三个洞察
洞察 1：单轴"自我改进程度"比传统三轴更贴近工程现实
传统分类（模仿学习 vs 强化学习 vs 提示工程）是训练范式的切分——对算法研究者友好，对工程团队鸡肋。
ASGE-RR 论文用的轴更接地气："这个 skill 系统能不能不更新梯度就自我改进？"
按这条轴排序： - L1 零样本程序合成：看到任务 → LLM 写一段 Python/DSL → 跑一次 → 结束 - L2 闭环自修复：执行报错 → LLM 改代码 → 但没有长期记忆 → 下次同类问题重新修 - L3 持久技能记忆：成功代码存进向量库 → 下次检索复用 → 但不主动改写老技能 - L4 执行反馈 + 记忆 + 进化搜索：三件套合一 → 变异 / 组合 / 淘汰 → 开放式改进循环
关键发现：L4 这一格当前只有极少数最新系统占据——ASPIRE / ENPIRE / RoboClaw。其余 74 个系统都在 L1-L3。
翻译成大白话：绝大多数 code-as-policy 系统"每次重新发明轮子"；能"积累技能并自动改进"的目前是稀缺品。
洞察 2：术语澄清做得到位——"Skill" 五义只有 code 能自我改进
论文给"skill"切了五刀：
| 含义 | 定义 | 能不能不更新梯度就自我改进？ |
|---|---|---|
| 行为原语 (behavior primitive) | 强化学习里的固定策略 | ❌ |
| 神经策略块 | 子网络/子模块 | ❌ |
| 代码 | 可执行程序 | ✅ |
| 记忆条目 | 文本/向量化的经验 | 半（取决于有没有反馈回路） |
| 宏动作 (macro action) | 选项框架里的子策略 | 半 |
明确划界后，只有 code sense 的 skill 才能在不更新梯度的前提下自我改进——这是 Weights 与 Skills 之争的真正分歧点。
Weights 派：能力在梯度里，要改就得重训。 Skills 派（code sense）：能力在代码里，要改就改代码，不用重训。
这不是"哪个更好"的口水仗——是两种改进路径的根本分歧。
洞察 3：商用技能市场是个"体检单"，不是"决策表"
论文把分类映射到新兴的「技能经济 (skill economy)」：商用机器人技能商店已经开始"一键分发"技能到不同机器人，但当前出货只有静态回放 (static playback)。
由此暴露出一组待解工程问题——给工业界一份可读的问题清单：
- 适应性 (adaptation)：换 embodiment 后技能是否还能用？
- 跨机器人可移植 (cross-embodiment portability)：从 Franka 到 Stretch 是否零改动？
- 来源可追溯 (provenance)：技能由谁生成、谁测试、谁签名？
- 安全验证 (safety verification)：未验证的代码可能损伤硬件或人
- 组合性 (composition)：多技能能否自动编排
- 标准化 (standardisation)：缺少统一描述协议
一个判断：市面所有"机器人技能商店"的 skill 描述协议不统一（无 JSON Schema / IDL），工程团队拿过来后必须自己定义翻译层。
关键实验与数据
由于这是 survey，本文没有单一 benchmark：
- 覆盖规模：77 个代表性系统，6 个技术家族，11 张图、11 张表
- 对比表：每个家族给出「能做什么 / 不能做什么」的双列表，让读者一眼看清能力边界
- 代表性 L4 系统：ASPIRE、ENPIRE、RoboClaw 被并入同一个「开放式改进循环」格子里，是当前最稀缺的组合
- 市场规模信号：商用技能商店出货技能已存在，但均属 static playback——论文没有给出具体出货量与销售额（原文未明确量化）
注：本文未提供可复现的统一 benchmark，每个被引用系统的实验设定保持原样；任何「Weights 派 SOTA / Skills 派 SOTA」类横评，「原文未明确」给出统一数字。
为什么这件事对 2026 年的具身 AI 至关重要
2026 年是具身 AI 从"演示"走向"产品"的关键年：
- VLA 模型在通用预训练上扩展——OpenVLA / π0 / GR00T 等已经把"看到什么就做什么"的能力推到相当大的规模
- code-as-policy 在工业场景落地——Code as Policies / Voyager 已经被多个机器人团队作为基线
- 技能商店出现——多家厂商在卖"一键技能包"——但只卖静态回放
这篇 survey 的真正价值是给整个领域一份共同的"地图"：
- 知道自己站在哪一档（L1 / L2 / L3 / L4）
- 知道哪一档是真的稀缺（L4）
- 知道"技能商店"目前只是个营销概念（不是工程标准）
一段给普通人的话
如果你不是做机器人的，只是好奇——这段可以快速看完。
记住三件事：
- 机器人学习现在分裂成两个阵营：一个说"把能力烤进权重"（VLA），一个说"让 Agent 自己写代码"（Skills）。两边都在赢，但赢法不同
- "Skill" 这个词至少被五种含义混用了——你看到任何"机器人技能"，先问一句"是哪一种 skill"？
- 商用技能商店暂时只能卖"静态回放"——换个机器人大概率崩，除非做严格来源审计与 embodiment 适配
更简单一句话：今天买机器人的"技能包"，相当于买一份录像带，不是买一个真正会学习的程序。
三个标题变体
- 机器人学习到底该"把能力烤进权重"还是"让 Agent 自己写代码"？——arXiv 2608.01851 给一张全景图，把"Skill"这个词的五种含义一次切清
- 77 个机器人系统排成 4 档，arXiv 2608.01851 发现 L4 "自我改进"只有极少数系统能做到
- "Skill" 一词至少被五种含义混用 5 年——arXiv 2608.01851 给机器人学习圈做了一次大扫除
小红书风格卡片文案（可直接发布）
🤖 机器人学习到底该"把能力烤进权重"还是"让 Agent 自己写代码"？ 🤖
你买了个家务机器人回家 🤖 它说"我自带 100 个技能"—— 你让它去厨房拿杯子，它说"我只会客厅技能" 🍳❌ 你换了台新机器人，同一个技能"完全用不了" 🔄❌
不是机器人不够好——是"Skill" 这个词太乱 🧠❌
arXiv 2608.01851 (Weights or Skills?) 把这件事一次说透：
"Skill" 至少被五种含义混用了 5 年—— 行为原语 / 神经策略块 / 代码 / 记忆条目 / 宏动作 不澄清就没法比较，整个领域都在鸡同鸭讲 🐔🐔
🎯 核心机制（4 档自我改进谱）：
L1 零样本程序合成
↓
L2 闭环自修复（每次重新发明轮子）
↓
L3 持久技能记忆（存起来下次复用）
↓
L4 执行反馈 + 记忆 + 进化搜索
▲
仅 ASPIRE / ENPIRE / RoboClaw 占据这一格
（稀缺品）
📚 三个关键洞察：
1️⃣ 单轴"自我改进程度"比传统三轴更接地气——不问"你怎么训练的"，问"你能不能不更新梯度就自我改进"——绝大多数系统在 L1-L3，每次重新发明轮子
2️⃣ 只有 code sense 的 skill 才能自我改进——Weights 派（VLA）"能力在梯度里，要改就重训"；Skills 派（code）"能力在代码里，要改就改代码，不用重训"——这是两种改进路径的根本分歧
3️⃣ 商用技能商店是个"体检单"——出货只有静态回放 (static playback)，没有统一描述协议（无 JSON Schema / IDL）——工程团队必须自己定义翻译层
🛠️ 今晚就能抄的工程切片：
# L3 持久技能记忆最小实现
# 核心组件：
# 1. embedding 模型（推荐 bge-m3）：向量化 skill code
# 2. 向量库（FAISS 或 Milvus）：存储 + 检索
# 3. LLM Judge：判断新任务是否可复用已有 skill
# 4. Skill 文件系统：skill code + metadata + usage count
# 推荐目录结构：
skills/
├── metadata.json # skill ID、embodiment、创建时间、调用次数
└── skills/ # Python/DSL skill code 文件
💡 为什么每个做机器人 / Agent / 具身 AI 的人都该关心？
今天你做机器人学习，绕不开这些选择： 🤖 Weights 派（VLA：RT-2 / OpenVLA / π0 / GR00T）→ "把能力烤进冻结权重" ⚙️ Skills 派（code-as-policy）→ "让 Agent 自己写代码" 🛒 商用技能商店→ 暂时只能卖静态回放，换机器人大概率崩 📊 L3 是工程甜区→ L4 进化搜索工程量是断崖式，非研究团队建议直接走 L3 稳定路线
这篇 survey 第一次给了整个机器人学习圈一张共同的"地图"——知道自己站在哪一档、知道L4 是真的稀缺、知道技能商店目前只是个营销概念 🗺️
抄它的思路——先定义"skill"再实现—— 你的机器人平台就能从"演示"走向"产品" 🚀
⚠️ 坑也得提一句： - L4 的进化搜索 + 持久记忆 + 执行反馈三件套组合算力开销与时间预算未在文中量化——别把它当 SOTA 模型直接上生产 - L3 → L4 的实现复杂度是断崖式的——L3 有 Voyager / Sailor 可参考，L4 需要自研奖函数 + 搜索调度 - 沙箱安全是 L4 落地前提——未验证的代码 skill 不允许在线执行，最小可用安全实现：Docker 隔离 + 断言验证 + 人工审批节点 - L4 当前边界存疑——截至 2026 年 8 月，Evolve-Instruct、RoboAgent 等工作可能已进入 L4，建议补充检索最新文献 - 商用技能商店的"static playback"是综述者基于公开资料的归纳性结论，并非严格审计——可能存在特例