本研究提出了一种基于语言模型的框架，旨在提升机器人在非结构化环境中的自主运动和操控能力。通过结合视觉和语言指导，机器人能够根据文本指令自主规划和执行任务，显著提高成功率，无需额外的人类示范。实验结果验证了该方法的有效性和应用潜力。