phyagentos /
PhyAgentOS 是一个面向物理智能体（Physical Agent）的开源 Harness 框架，由中山大学 HCP 实验室、鹏城国家实验室具身智能研究所与 X-Era Lab 联合研发。 项目希望解决 AI Agent 从数字世界走向物理世界之后面临的核心问题：如何让不同机器人快速接入，让算法与 Skill 自由组合复用，并让 Agent 在真实环境中完成执行、验证、反思与持续进化。 PhyAgentOS 将 Agent 的高层…
PhyAgentOS 是一个面向物理智能体（Physical Agent）的开源 Harness 框架，由中山大学 HCP 实验室、鹏城国家实验室具身智能研究所与 X-Era Lab 联合研发。 项目希望解决 AI Agent 从数字世界走向物理世界之后面临的核心问题：如何让不同机器人快速接入，让算法与 Skill 自由组合复用，并让 Agent 在真实环境中完成执行、验证、反思与持续进化。 PhyAgentOS 将 Agent 的高层认知决策与底层物理执行解耦，把机器人、算法和 Skill 统一抽象为可调用的 Tool。Agent 只需要判断“下一步做什么”，而无需直接适配具体机器人 SDK、控制器或仿真环境。 目前主要包含几个核心能力： 异构机器人快速接入：机器人动作统一通过 Forge Gateway / Tool API 执行，上层 Agent 不直接依赖具体硬件 SDK，同一套 Agent 与 Skill 可以迁移到不同机器人本体。 Skill 自由组合与复用：将感知、规划、操作、导航等基础能力封装成 Tool / Skill，并进一步组合成长程任务，避免每个机器人、每个 Demo 都重新开发一套流程。 执行结束 ≠ 任务完成：PhyAgentOS 将 Execution、Evidence 与 Verdict 分开处理。机器人完成动作后，系统会结合动作前后的图像与状态证据，判断用户目标是否真正达成。 失败后自动重新规划：如果 Verifier 判断任务没有完成，Agent 会基于当前环境状态生成新的 PlanRevision，继续完成任务，而不是简单重复之前的动作。 在交互中持续进化：经过验证的任务过程可以沉淀为可复用 Skill 与作用域内的 Lesson，让 Agent 将真实执行中的成功经验和失败反馈带入后续任务，形成 执行 → 验证 → 反思 → 改进 的闭环。 目前 PhyAgentOS v1.0.0 已于 8.31 正式发布，采用 MIT License，支持 Agent、Tools、Skills、MCP、Memory、任务验证、失败恢复与经验进化等能力，项目已获得 2k+ GitHub Stars。我们也正在持续接入更多机器人本体、算法工具和真实任务，希望逐步建立一套面向 Physical Agent 的开放基础设施：让 AI Agent 不只会调用数字世界的工具，也能够真正走进并理解物理世界。
讨论这个产品