知识卡片：智元发布具身Agent框架Genie Master，机器人上岗中自进化

一句话结论

智元发布具身 Agent 框架 Genie Master，宣称让精灵 G2 在便利店真实业务中“上岗即自进化”，无需人工调试即可自我改进，并称首次在真实场景验证 Physical RSI（物理世界强化学习式自我改进）。

事件概述或研究问题

• 智元发布具身 Agent 框架 Genie Master，在便利店场景中让精灵 G2 机器人执行任务并自我改进。
• 官方称这是首次在真实场景验证 Physical RSI。
• 核心问题：机器人能否在部署态（上岗后）自主发现失败、调整策略并把经验沉淀下来，而不是依赖人工现场调试。

方法/产品要点

• 具身执行协议 EEP：统一能力、引导、反馈、连续性四类接口；任务中断后可从断点重新规划。
• Harness RSI：把经验沉淀进长期记忆。
• Policy RSI：把数据回流用于训练策略。
• 演示计划：11 月 2 日直播 6 台精灵 G2 连续 24 小时值守便利店。

主要结果或产业意义

• 材料给出的结果均为厂商宣称：无需人工调试即可自我改进、首次在真实场景验证 Physical RSI。
• 产业意义在于把“具身 Agent”从演示推向真实业务流（便利店值守），并用 EEP 协议 + 长期记忆 + 策略回流构成闭环。
• 若成立，意味着机器人部署后的运维成本与调参方式可能改变：从“人工现场调试”转向“数据回流 + 策略迭代”。

为什么重要

• 与既有卡片“智元 Genie Master 与 Physical RSI——便利店场景中的具身自进化（2026-10-27）”相比，本条增量信息是：补充了 EEP 四类接口、Harness RSI / Policy RSI 的具体分工，以及 11 月 2 日 6 台 G2 连续 24 小时值守的演示安排。
• 对行业而言，Physical RSI 若在真实场景可复现，会把具身智能的竞争焦点从“单次任务成功率”推向“部署后的持续自我改进能力”。

局限与不确定性

• “首次在真实场景验证 Physical RSI”“无需人工调试即可自我改进”均为厂商表述，材料未给出第三方复现或量化指标，待核实。
• EEP 四类接口的具体规范、Harness RSI 长期记忆的容量与检索方式、Policy RSI 数据回流的频率与安全边界，材料未展开，待核实。
• 11 月 2 日直播的实际表现（24 小时连续值守的故障率、人工介入次数）尚不可知，待核实。

可用于图书/PPT/简报的角度

• “部署态自进化”：机器人上岗后如何从失败中学习，与传统现场调试对比。
• “协议先行”：EEP 统一四类接口，类比具身智能领域的“接口标准化”趋势。
• “记忆 + 策略双回流”：Harness RSI 与 Policy RSI 的分工，可作为具身 Agent 架构图的一页。
• “真实场景验证”的叙事：便利店 24 小时值守作为压力测试场景。

原始材料

• 来源：腾讯研究院AI速递 20261028
• 标题：腾讯研究院AI速递 20261028
• URL：https://m.sohu.com/a/1093562137_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334
• 条目：六、智元发布具身Agent框架Genie Master，机器人上岗中自进化