智元称这是其“AI WAVE”系列第四项发布，Genie Master让精灵G2在便利店执行取货、补货、清洁等任务时自主诊断失败、调整策略并沉淀经验；公司同时说明，Policy RSI仍会使用人工接管示范数据，动作策略更新需经训练流程。
AI解读：智元发布具身Agent框架Genie Master，称其让精灵G2机器人在真实便利店任务中不依赖人工示范与调试，自主分析失败原因、调整策略并积累经验。
文章用挂货案例说明机制：头部相机因标签牌遮挡看不清小挂钩，Agent回看执行记录后改为先用左腕部相机补近距离视角，再由右手完成挂货。
框架包含EEP执行协议，提供能力、引导、反馈和连续性四类接口，连接上层Agent推理与底层动作策略。
改进分两条路线：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；Policy RSI用筛选处理后的执行数据训练更新底层动作策略。
智元称已把取货、补货、清洁、异常恢复和多机协作纳入统一工作流，并计划11月2日进行6台机器人连续上岗的24小时便利店直播。
智元发布具身Agent框架Genie Master，称其支持机器人在真实便利店环境执行任务时“无人在环”地自我改进。据量子位10月27日报道，这是智元“AI WAVE”系列技术发布的第四项内容。
智元将这套机制称为Physical RSI（具身递归自进化），称其首次走出仿真环境和实验室设定，在真实业务场景中跑通并验证。
挂货失败后的自主调整
报道以便利店挂货为例：货架上的小尺寸挂钩被价格标签牌挡住一部分，机器人第一次尝试挂货没有成功。以往这类情况需要工程师排查、调整程序、补充数据。
按文章描述，搭载Genie Master的Agent回看执行记录后判断，头部相机视角分辨率不足，加上标签牌遮挡，难以看清小挂钩位置。Agent随后调整策略：让左手先靠近目标，用腕部相机补充近距离视角，确认位置后由右手完成挂货。这套经验被记录下来供后续调用。
EEP协议连接推理与执行
Genie Master的定位是连接上层Agent推理能力与底层机器人动作执行能力。其关键设计之一是具身执行协议EEP，为Agent与物理世界提供统一接口。
EEP包含四类接口：能力接口让Agent知道机器人当前可调用哪些能力；引导接口传递空间提示、物体参考和细粒度语言要求；反馈接口返回执行后的真实物理情况；连续性接口追踪机器人集群的任务进度、分工依赖，支持动态调度和中断后接续。
报道称，配合时序对齐等设计，上层Agent可根据执行结果动态调整引导，底层动作策略结合当前观测和Agent要求执行动作，并实时返回观测与子任务状态。
- 能力接口：可调用的机器人能力清单
- 引导接口：空间提示、物体参考与语言要求
- 反馈接口：执行后的真实物理反馈
- 连续性接口：任务进度、分工依赖与中断接续
两条改进路线：经验与策略
Genie Master将改进分为两条路线。Harness RSI负责积累经验，在保持模型权重和已有工具接口不变的前提下，通过优化提示词、记忆和执行规则改善后续任务表现。机器人会记录成功与失败案例，并经每日异步反思和记忆整合，转化为引导、完成判定、异常恢复和协作规则，按任务和场景需要加载。
Policy RSI负责更新底层动作策略。它收集自主执行、人工接管示范和异常恢复中产生的数据，经筛选、加权和目标重标等处理，再用监督学习、模仿学习或强化学习更新动作策略模型。报道以“外卖打包防缠绕”为例，称提带缠绕、执行回撤和异常恢复产生的数据可用于后续训练。
文章明确说明，Policy RSI仍会使用人工接管示范等数据，动作策略更新也需要经过数据处理和模型训练。智元称两条路线相互促进，形成从执行、发现能力缺口、自主练习到经验沉淀和策略更新的闭环。
已纳入的工作流与直播计划
据智元介绍，Genie Master团队已将取货、补货、清洁、异常恢复和多机协作纳入统一工作流，探索机器人在真实业务中的持续改进闭环。
智元计划在11月2日开启“24小时便利店直播”，届时6台精灵G2机器人将连续上岗，在真实便利店营业中执行任务。该计划目前是公司预告，实际表现尚未公开。