ARTICLE · 1215472
ASPIRE 源码精读:机器人给自己写代码修 bug,调试经验怎么攒成可迁移的技能库
ASPIRE 源码精读:机器人给自己写代码修 bug,调试经验怎么攒成可迁移的技能库BEHAVIOR-1K 里有个任务叫「导航过去捡起收音机」：机器人明明看见了收音机，感知调用也成功返回了位姿，却一遍遍卡在同一个地方——导航接口连续返回规划错误，机器人就是凑不过去。NVIDIA GEAR 实验室上个月把它做成了新版 ASPIRE 的招牌案例，10 月 16 日仓库推送 v1.0 后，这两天正挂在 GitHub 的 Python 日榜上。我把论文和代码都读了一遍。 
ASPIRE 全称 Agentic Skill Programming through Iterative Robot Exploration，NVIDIA GEAR 实验室牵头，与密歇根大学、加州大学伯克利分校等合作，论文 2026 年 7 月挂上 arXiv，代码开在 NVlabs/ASPIRE，现在六百多个星标。 它解决两件事：编码智能体给机器人写控制程序时，不再只拿到「任务成没成」这种粗反馈；做完一个任务，修 bug 的经验不再被扔掉，而是沉淀成可复用的技能库。 做法上改了三处：执行引擎按原语粒度记录多模态轨迹；验证过的修法蒸馏成技能条目；进化搜索防止智能体在一条错路上反复打补丁。 数字（论文口径）：LIBERO-Pro 扰动套件最高领先此前方法77 个百分点，Robosuite 双臂交接任务从 20% 提到 92%，BEHAVIOR-1K 长程家务任务最高领先 32 个点；用 LIBERO-90 攒出的技能库零样本打 LIBERO-Pro Long，成功率 31%，此前方法只有 4%。 停在什么条件：全流程依赖冻结的前沿模型（论文用 Claude Opus 4.6、100 万 token 上下文），作者没验证过更小的模型能不能撑住这个调试循环。想快速上手，只看一个文件：.claude/skills/iterative-debugging/SKILL.md，整套调试战役的编排规则都在里面。 回到开头的收音机。论文第 2 节把这次失败拆开了：感知没问题，物体位姿拿得到；真正的原因是导航目标点落在了桌子的碰撞避让缓冲区里，规划器反复拒绝。失败不在检测、不在抓取，在目标位姿本身不可行。可任务级反馈只会告诉你「没成功」。 这正是机器人程序调试麻烦的地方：感知、运动规划、抓取生成、接触动力学、长程任务协调，一个 rollout 崩了，可能是其中任何一环的锅。固定的人工设计反馈接口两头不讨好——信息太少会藏住出错的原语，原始视频一股脑塞进来又让智能体抓不住因果链。 现有方案还不攒经验。论文选的主要基线 CaP-Agent0，每个种子都重新生成一份程序，靠测试时推理和重试硬顶。论文里有句原话：解第一百个任务的智能体，并不比解第一个的更有经验。 人类工程师不这么干活。程序失败后回放执行、查看感知输出和轨迹、定位出错的子系统、改实现，再把修法记成套路。ASPIRE 做的事，就是把这套流程原样交给智能体自己跑。 主线是协调者-演员架构。一个协调者管理共享技能库、给每个任务派一个 actor 编码智能体；actor 负责写程序、执行、诊断、修复。actor 之间不共享聊天记录和原始轨迹，可迁移的经验全部蒸馏进技能库，各自的上下文窗口留给任务本身。 第一个设计是执行引擎。每次感知、规划、抓取、控制调用都记一条轨迹：调用了哪个接口、输入输出、返回状态，配上 RGB 帧、覆盖层、抓取候选、物体位姿、规划结果。运动类原语前后各保留一帧，智能体看的是出错调用紧邻的证据，不是整段视频。 第二个设计是技能库的条目格式。存的不是完整任务程序，而是失败签名、适用条件、修法策略，外加一段有代表性的代码草图。准入有闸门：验证者智能体拿不到提出者的代码，只凭技能库和提案重解任务，两轮内做出来才算转正。 进化搜索补上探索短板。单轨迹调试容易陷进局部修补循环，于是每轮让模型基于历史表现最好的三个程序和失败轨迹，提出一组 K 个候选程序全部执行，下一代条件于幸存者和剩余失败模式。 论文算法 1 的记号可以当公式看：Execute(P, S) = (r, Z)。P 是候选机器人程序，S 是执行用的种子集合，r 是得分、Z 是这次执行产生的轨迹束。整个搜索就是反复调用它：提候选、执行、按 r 排序、把 Z 喂回下一代，分数过阈值就停。 
先说清调用链：这个仓库没有传统意义的训练入口，编排本身就做成「技能」。init_run.py 建战役目录 outputs/runs/<时间戳>/，协调者按 main-agent-prompt.md 派 actor（subagent-prompt.md），actor 产出并调试程序，协调者跑 run_validation.py 做 held-out 评测，verifier-prompt.md 验证技能提案，通过的写进 skills/ 目录。examples/ 下能看到 actor 产出的程序长什么样。 第一处对读：论文 2.1 节说引擎「保留每个原语调用前后紧邻的帧与覆盖层」，对应 src/cap_harness/runtime.py 里的 _recorded_tool_call： motion = name in { "step", "execute_trajectory", "set_gripper", "set_grippers", "move_to_joints", "move_to_pose", "move_synchronized", "open_gripper", "close_gripper", "go_home", } if motion: self._recorder.keyframe(f"before-{name}") with self._recorder.span(name, category="program", inputs={"args": args, "kwargs": kwargs}) as span: result = self._invoke_tool(name, function, args, kwargs) 白名单里的都是运动原语，前后各落一帧，跟论文表述逐字对上。每次调用落成一条 CallTrace，字段包括 tool、ok、duration_s、inputs_summary、outputs_summary、failure_code——正是论文列的「接口、输入输出、返回状态、多模态证据」。顺带一个部署细节：生成程序跑在受限命名空间里，import 只放行 math；README 同时警告这不是安全沙箱，生成的 Python 有完整 import 权限，必须在隔离主机上跑。 第二处对读：论文 3.3 节「学习与评测种子分离」加 2.2 节「只有验证过的修法入库」，对应 SKILL.md 的运行顺序和 run_validation.py 的实现： HELDOUT_SEEDS = list(range(1, 51)) a seed passes on
LIBERO 默认三段种子：51–65 调试学习、66–80 未见检查、1–50 是 held-out 评测。run_validation.py 的头注释写明，run identity 把程序、基准、任务、种子、init 模式全部哈希进一个指纹，不同指纹的结果永不混算；计分只认 task_success，program_ok 仅作分诊用。SKILL.md 第 4 步写得更直白：只有验证通过的提案才会晋级进 skills/ 目录。要区分的是，这套种子划分是 LIBERO 的默认行为（seeded 模式），Robosuite 换成 saved 模式、种子段改成 101–125、126–130、1–100——同一套代码的两种配置，不是两个分支。 
智能体：模拟全流程用 Claude Code 加 Claude Opus 4.6，100 万 token 上下文；程序写在 CaP-X 上，那是基于 MuJoCo Playground 的 code-as-policy 框架，提供感知、几何、运动规划接口。agent、环境、API 集合全程固定。 三个基准与划分：LIBERO-Pro 每套件 10 个任务、50 个 held-out 种子（学习用 51–65）；Robosuite 每任务 100 个 held-out trials（学习用 101–125）；BEHAVIOR-1K 两个长程家务任务（学习 26–35、评估 1–25），评估用增量块执行——每个代码块都从当前的多模态轨迹生成。 基线：编码智能体一侧是 CaP-Agent0，视觉差分、预定义技能库、逐集重试；端到端 VLA 一侧是 OpenVLA、π0、π0.5；另加人类专家手写的程序。 实机是另一套设置：OpenAI Codex GPT-5.5 推理模式拉满，跑在 YAM 双臂操作站上，本体和 API 都与仿真不同；三个仿真学到的技能（苏打罐、碗、抽屉）作为 in-context 指导注入，对比有技能和没技能两组。 最影响可比性的一条：ASPIRE 每任务只生成一个程序，跑全部 held-out 种子；CaP-Agent0 每个种子重新生成程序、带测试时推理和重试。两边协议的努力量不对称，读数字时得记着。 LIBERO-Pro（论文图 4a）：位置、任务两类扰动平均后，对每套件最强基线的增益是 Object 加 77、Goal 加 41.5、Spatial 加 42.5 个百分点。π0.5 在部分位置扰动上强于 OpenVLA 和 π0，但离 ASPIRE 还远，任务改写下基本崩掉。 Robosuite（图 4b）：简单接触任务接近饱和，双臂交接从 20% 拉到 92%。BEHAVIOR-1K（图 4c）：导航和任务成功两个口径都超过人类程序与 CaP-Agent0，捡收音机任务的任务级成功率从 56% 到 88%。 零样本（图 5）：LIBERO-90 攒的库直接打 LIBERO-Pro Long，位置扰动 23%、任务扰动 38%，两个轴都压过基线；库规模从 0、25、50 加到 90，成功率一路走高。 实机（表 1）：碗上盘 20/20 对 20/20，token 从 8.65M 降到 5.11M；举苏打罐 13/20 到 19/20，token 从 61.94M 降到 6.58M；推拉抽屉 0/20 到 11/20，token 从 334.9M 降到 81.7M。token 降是一致的，成功提升是任务依赖的——作者自己也这么写。 消融（图 6）：去掉两个组件的基座宏平均 14%，加执行引擎到 62%，再加进化搜索到 72%。搜索轮数上前几轮收益最大，之后递减。 仓库 v1.0（10 月更新）的 README 另给了一批数字：80 个 LIBERO-Pro 任务 99% 成功、新增魔方任务、模型规模从 GPT-6 Luna 的 15% 到 Claude Opus 5.5 的 99%。那是 README 口径，基座与论文不同代，我没有跑，不当论文数字来用。 已对应的部分：三个组件在仓库里都找得到实体——runtime.py 的受限执行与轨迹记录、.claude/skills 与 .codex/skills 下的技能库与战役编排、evosearch 技能；种子划分、验证者准入、held-out 协议逐条能对上。 实现补充的部分：协调者、actor、验证者在仓库里直接做成了 Claude Code 和 Codex 的 agent skill，两个目录各一份。训练循环本身就是一个编码智能体工作流，论文没有展开这层工程形态，读代码时值得留意。 只是配置选择的部分：examples/ 里 close_microwave.py 用四个固定横坐标扫把手候选，是 seeded 模式下的程序策略，程序读不到仿真器内部状态，不算作弊；技能文件 grasp.md 写明 close_gripper() 与 set_gripper(0.0) 不等价——接触停顿也算闭合成功，这是 harness 的合约行为。模型从 Opus 4.6 到 5.5 的数字变化是时间演进，不是口径打架。 环境：CUDA 主机、uv、HuggingFace token（SAM3 权重是门控的）；照 docs/host-setup.md 走，LIBERO 用 scripts/bootstrap_libero.sh 建 .venv-libero，渲染后端设 MUJOCO_GL=egl。 最小样例：按 README Quick Start 的提示词把仓库交给 Claude Code 或 Codex，让它跑 libero_goal_swap 十任务快速通道；正式开跑前它会先报 GPU、凭证、种子划分、输出路径，等你确认。 成功标志：outputs/runs/<时间戳>/ 下出现 campaign.json、每任务目录、outcome.json 和 held-out 结果表；技能目录新增经过验证的条目。 容易看错的一处：三段种子别混——51–65 学习、66–80 未见检查、1–50 才是评测；计分只认 task_success，程序崩了但任务完成照样算过。再提醒一次，生成的 Python 有完整 import 权限，别在带凭证的机器上跑。 有证据的价值：消融里执行引擎单独贡献 14% 到 62% 的大头，说明按原语粒度暴露证据这件事换到任何智能体调试场景都成立；技能库是纯文本，markdown 加代码草图，可读、可审、可回滚；零样本曲线和实机 token 表一起支撑了「修法可迁移」的主张，而不是记住了仿真器的代码。 限制也摆在明处：依赖单一前沿模型，小模型没验证；程序只能用预定义的感知规划控制接口，任务需要面外能力就得人来扩 API；库的长期管理没解决，条目会过期、冗余甚至误导，零样本曲线有非单调段；每个任务要烧大量模型调用和仿真 rollout，作者在局限一节自己算了这笔账；实机侧还不是自主终身学习，成功检测、安全复位、标定维护仍然要人。 想抄作业的读者抓两件事就够：把反馈按原语粒度拆开，把修法先验证再入库。剩下的进化搜索、双臂硬件，都是在这两块地基上的加法。
01 先看结论
02 问题背景
03 方法拆解
04 源码对照
a seed passes on task_success alone
