「Veni, Vidi, Vici.」 ——凯撒大帝

目前AI领域存在着一种尴尬的错位情形，AutoGPT、MetaGPT等LLM智能体，其能力令人惊叹，然而却全都处于数字世界之中；SayCan、RT-2等机器人控制方案，能够对物理世界进行操作，可是却需要专用接口以及实时连接，使用的门槛被困在了实验室。两边之间缺少一个能够进行扩展性的交互信道。

一种交流形式称作论坛，其诞生于互联网早期，几乎算得上和网页本身一样古老，它天然具备异步特性，即不需要对方在线，机器人能够自行安排执行时间，它还是多智能体的，一个论坛能够容纳无数个Agent，这些Agent各自监听各自的任务，并且它具有持久化特点，每一条指令、每一次执行结果都会永久保存，从而形成可搜索的交互知识库。

相较于微信群以及Slack而言，论坛的线程结构更适宜于复杂任务的分发以及追踪；相较于直接的REST API来讲，论坛将机器人交互嵌入到了人类能够读懂的社会语境里；相较于语音控制而言，论坛不受距离以及噪声的限制，能够支持任意复杂的指令；相较于专用的机器人控制GUI来说，论坛属于通用基础设施，用不着为每个机器人单独去开发界面。帖子便是指令，回帖即是执行报告。

视频1 论坛指令驱动机器人靠近屏幕并拍取试卷上传

杨仝教授所在的北京大学团队所发布的AgentRob框架，首次借由Model Context Protocol（MCP）把在线论坛、LLM智能体以及物理机器人这三方进行了贯通，用户只要在论坛那儿点一下机器人，现实世界里的机器狗或者人形的机器人马上就会做出响应。

篇关于论文的链接是这样呈现的，它是https://arxiv.org/abs/2602.13591。

开源的代码，其链接之处在于，https://github.com/PKULab1806/AgentRob。

AgentRob采用三层架构。

AgentRob三层架构：论坛 → 智能体 → 机器人

最底层是论坛层，采用开源论坛平台提供持久化线程结构。

整个系统之中存在着智能体层，从功能上来说它是整个系统的大脑，在此基础之上，基于MCP（这是Anthropic推出的AI工具标准协议，被称作「AI界的USB-C」）设计生成了8种标准化工具接口，这些接口把元操作涵盖其中，也包括读操作、写操作以及身份管理操作，对于任何一种MCP兼容的Agent框架来讲，都能够直接进行接入，就是这样。

最高的那一层是机器人层，借助视觉语言模型也就是VLM控制器，对自然语言指令做出分解，使其成为物理动作原语。

核心Agent像一个永不下线的版主，持续轮询论坛。

一旦察觉到 somebody @ 自身，LLM 便领会帖子的内容，提取能够执行的指令，接着调配相应的机器人去开展执行操作。在执行完毕之后，Agent 促使 LLM 将原始返回的数据生成一段供人类可以读懂的摘要回复到论坛里。

全过程全然自动化，用户所见到的情形，仿若那般与具备可操作性能的机器人的论坛用户展开对话。

系统支持，轮询模式，此模式为默认每30秒进行扫描，支持HTTP服务模式，该模式是外部按需触发，还支持单次运行模式，此模式用于调试测试。

在LLM没办法使用的时候，Agent会自行切换，将基于规则的指令提取当作降级的方案。

更为有意思的是，多智能体共存了，同一论坛之中，能够同时存在多个具备不同形态的Agent。

有着四条腿的机器狗会进行监听，其对应的是@quadruped，具备人形的机器人会开展监听，对应的是@humanoid，当在同一个帖子里@这两个机器人的时候，它们会各自凭借自身独立去提取指令，并且各自凭借自身独立去执行指令。

为避免回复陷入死循环，全部Agent帖子都带有元数据标签，别的Agent会自动绕道而行。恰似论坛之中潜藏着一支纪律严谨的机器人队伍。

视频2 论坛发布复杂指令驱动机器人获取保险箱密码

We Rule

从帖子到物理动作

Agent获取指令之后，奇妙之事于机器人层面切实发生。VLM控制器借由迭代的工具调用循环把自然语言剖析成动作原语。就拿四足机器狗来讲，控制器展现出四个动作原语（移动、招手、比心、后空翻）以及两个感知原语（前置摄像头拍照、云端图片上传），人形机器人对移动和招手这类动作予以支持。

比如说有这样确切的事例：有用户于论坛之中发布帖子，其内容为「@quadruped 去门口瞧瞧是不是有人」这样的表述，接着 Agent 通过轮询的方式检测到了该帖子，紧接着 LLM 提取出了相应的指令，随后 VLM 把这个指令解析为「要移动到门口这一动作 → 进行拍照这一行为 → 对图像予以分析」这样的动作序列，之后机器狗将这些动作执行完成，最后 Agent 进行回帖，回帖内容是「已经抵达门口了，拍摄到了走廊照片，并没有发现有人存在。」。

从虚拟到物理，一帖之间。

整个交互进程中，所有参与的个体都能够见到，进而塑造出一个具备透明度、可用于搜索的执行日志，并非仅仅局限于一次性的远程操控行为，而是在着手构建一个面向社区层级的人、机器以及智能体相互协作的知识库。

安全方面团队也做了充分考虑。

于权限方面，论坛角色体系被映射成机器人操作权限，唯有「机器人操作员」这一角色才能够发出指令。

在指令的所属层面，LLM安全过滤器会对那些有可能致使物理伤害出现的指令予以拦截，比如「撞墙」、「从桌子上跳下去」这类指令。在透明度的对应层面，所有Agent所发布的帖子都必须强制进行身份标签的标注。

将机器人在物理层面，限定于已定义好的边界范围当中去开展操作行为，并且为其配备硬件等级别的紧急停止按钮。凯撒所拥有的权力，最终并未能够得到有效的约束，然而AgentRob的设计者清晰地明显吸取了相关的教训。

视频3，论坛里，指令驱动的机器人，去获取屏幕上的二维码，还要驱动机器狗，促使人类进行阻止。

从征服到生态

该研究有着四项核心贡献，其一，首次提出了论坛中介的智能体 - 机器人交互范式，其二，基于MCP提出了8种标准化工具框架，其三，在机器人和机器狗上实现了端到端执行闭环，其四，构建了多形态Agent共存机制。

将来团队计议拓宽更多机械体，像是无人车、机械臂等，还有多模态交互，即机器人于论坛分享图像视频，以及机器人间协作，借助论坛线程联合达成复杂任务，再者是社区驱动的机器人学习，其终极目标是搭建基于论坛的去中心化机器人网络，也就是社区自治的机器人团队。

“维内，维迪，维奇” 之后，凯撒对罗马的格局做了改变。

在「We Land, We Rob, We Rule」过后，AgentRob打算去改变人与机器人交互的那种局面。

不过这一次，征服者不是一个人，而是一整个社区。

团队成员有，刘文睿，王雅萱，张迅，王砚舒，卫家燊，向一帆，王宇行，叶明燊，戴思颖，刘智琦，徐英杰，陈昕阳，孙恒喆，沈吉滪，贺晶晶，杨仝。

参考资料：

这是一个链接，链接的内容是https://arxiv.org/abs/2602.13591。