Physical RSI第一站！便利店打工“人”自己进化，物理AI飞轮启动了
内容提要
智元发布具身Agent框架Genie Master，使精灵G2机器人在真实便利店中无人在环地自主完成取货、补货等任务。机器人遇失败可自行诊断、调整策略并积累经验，通过Harness RSI沉淀经验、Policy RSI更新动作策略，形成递归自进化闭环，从而减少人工调试、缩短新技能交付周期并降低部署成本。
延伸解读
从“人工调试”到“自主进化”的范式转变
文章指出，传统机器人部署后遇到长尾场景需工程师介入调试，迭代慢且成本高。Genie Master让机器人在真实便利店中自主诊断失败、调整策略并积累经验，实现无人在环的持续改进。这标志着机器人能力从“出厂即定型”转向“部署中持续生长”，有望缩短新技能交付周期，降低对人工调试的依赖。
双轨机制：经验沉淀与策略内化如何分工
Genie Master通过Harness RSI和Policy RSI两条路线实现自进化。Harness RSI在不改模型权重的前提下，优化提示词、记忆和执行规则，像“错题本”一样积累经验；Policy RSI则利用执行数据训练底层动作策略，将改进固化到模型参数中。两者相互咬合，形成从发现问题到策略更新的闭环，兼顾快速适应与长期能力提升。
真实场景验证与待观察的边界
文章以便利店挂货为例，展示机器人通过调整相机视角自主解决遮挡问题，并将经验写入长期记忆。智元称这是行业首次在真实业务流中跑通Physical RSI，但同时也说明Policy RSI仍会使用人工接管示范数据，动作策略更新需经过数据处理和模型训练。其大规模跨场景复制的实际效果，仍有待11月2日24小时直播等实战检验。
Q&A
智元Genie Master是什么？它主要解决什么问题？
Genie Master是智元发布的具身Agent框架，核心任务是连接上层Agent的推理能力与底层机器人的动作执行能力，让机器人在真实场景中自主发现问题、调整策略并积累经验，从而减少对人工调试的依赖，实现部署后的持续自我改进。
Physical RSI在便利店场景中是如何实现无人在环的自我进化的？
通过Genie Master框架，机器人在真实便利店执行任务时，能自主分析失败原因、调整策略并沉淀经验。具体包括：利用Harness RSI积累经验（优化提示词、记忆和执行规则），以及Policy RSI更新底层动作策略模型，形成递归自进化闭环，无需人工介入调试。
Genie Master中的Harness RSI和Policy RSI分别负责什么？它们如何协同？
Harness RSI负责积累经验，通过优化提示词、记忆和执行规则来改善任务表现；Policy RSI负责更新动作策略，利用收集的数据训练底层动作策略模型。两者相互促进：Harness RSI帮助诊断问题、选择练习方式，Policy RSI将有效经验沉淀为更稳定的动作能力，形成越转越快的飞轮。
具身执行协议EEP在Genie Master中起什么作用？
EEP（Embodied Execution Protocol）为Agent与物理世界建立统一接口，涵盖四类核心接口，配合时序对齐等设计，使上层Agent能根据执行结果动态调整引导，底层动作策略能精准执行并实时反馈观测与子任务状态，从而打通推理、执行与反馈的链路，为经验积累和策略更新奠定基础。
Genie Master如何缩短新技能的交付周期并降低部署成本？
Genie Master让机器人在部署中持续自我进化，从客户提出新需求到机器人掌握新技能的研发周期大幅压缩。同时，机器人在真实作业中越干越能干，同一套能力在部署中不断增厚，未来复制到更多门店和场景时，后续部署与研发的边际成本持续下探。
智元在便利店实测中展示了哪些具体能力？
在真实便利店实测中，搭载Genie Master的机器人展示了取货、补货、清洁、异常恢复和多机协作等能力，并纳入统一工作流。例如，机器人能自主解决挂钩被遮挡导致的挂货失败问题，通过调整策略（先用腕部相机补视角）成功完成任务并积累经验。
