PhyAgentOS — 具身智能会话中心运行时
认知-物理解耦的会话中心运行时，一套代码适配任意机器人硬件，内置多重安全与审计。
证据显示有安全分层（Critic验证、Preflight、SafetyGuard、Operator Override），但未提供具体实现细节或权限最小化证据。用户确认机制未明确说明。数据流透明度较好，有Markdown+YAML审计日志，但未说明敏感数据处理。依赖安全未提及漏洞扫描或锁定。外部影响（如真实机器人操作）有安全层但未验证。回滚机制未明确。来源归属有MIT许可证和贡献者，但发布者未验证。
自一致性较好，README与项目结构一致，但未提供代码级验证。依赖可用性未提供锁定文件或镜像。失败消息未提供具体示例。
受众明确（开发者、用户），场景覆盖调试、仿真、真实机器人。能力边界有TARGETS.md和SKILLRUNTIME.md，但触发精度未详细说明。环境适配有Python版本和依赖要求，但未提供跨平台测试。
信息架构清晰，有协议文件矩阵和项目结构。安装说明详细。命名稳定，有版本号。示例和FAQ有快速入门和文档链接。已知限制未明确列出。许可证MIT。版本变更日志有表格。维护责任有贡献指南，但发布者未验证。
输出可用性有TUI和CLI，但未提供实际输出示例。边际价值有认知-物理解耦等创新点。成本效益未提供性能或资源消耗数据。
声明有技术报告和网站链接，但未提供具体证据。跨来源验证不足。事实与推断未明确分离。
- 发布者身份未验证，依赖来源需谨慎。
- 真实机器人操作涉及安全风险，需严格测试和审批。
- 依赖众多，需检查供应链安全。
这个 Agent 能做什么，适合哪些场景？
PhyAgentOS 是一个面向具身 AI 的自进化操作系统，采用「认知-物理解耦」架构，以会话（Session）为执行中心。它将规划（Track A）与执行（Track B）严格分离：Track A 包含 Planner、Critic、Memory；Track B 由 WatchdogSupervisor、SessionRunner、SkillRuntime、TargetSessionHandle 组成流水线。通过 TargetAdapter、PolicyAdapter、ActionBridge 三方解耦，新增机器人仅需实现约100行的 Target Adapter，调度层零改动。支持 debug/simulation/real_robot 三类目标，并内置 PolicySkillRuntime 与 BuiltinSkillRuntime 双技能运行时。项目提供完整协议文件矩阵（AGENTS.md、SOUL.md、TARGETS.md、SESSIONS.md 等），实现状态、动作、感知结果全量审计，并具备 Critic 校验、Preflight 检查、SafetyGuard、Operator Override 四层安全机制。适用于仿真（如 LIBERO、RoboCasa）与真实机器人（Franka、Go2 等）部署。
PhyAgentOS 通过 paos CLI 提供 agent 与 TUI 交互界面。其核心执行流程为：WatchdogSupervisor 调度 SessionRunner，SessionRunner 调用 SkillRuntime（PolicySkillRuntime 或 BuiltinSkillRuntime），最终通过 TargetSessionHandle 与目标硬件通信。它读取 AGENTS.md、SOUL.md、USER.md 等协议文件注入系统提示，写入 SESSIONS.md 记录会话状态。支持通过 AdapterPlan 自动组合适配器，消除目标×技能组合爆炸。示例中，它通过 LiberoBenchmarkSkillRuntime 评估 OpenPI PI0.5 策略在 LIBERO 仿真套件上的表现，包含远程 TargetWS 服务器（libero/server.py）与策略服务器（native_openpi_server.py）。它还会生成 Markdown 与 YAML 文件记录状态、动作与感知结果，并通过 SessionVerifier 验证会话，支持失败恢复。
- 机器人研究者：无需修改调度层，新增一个 Target Adapter 即可接入 Franka 或 Go2 等新硬件，快速验证算法。
- 仿真评估团队：在 LIBERO 或 RoboCasa 仿真环境中批量运行策略基准测试，支持 episode replanning 与验证。
- 安全关键部署：需要四层安全机制（Critic 校验、Preflight、SafetyGuard、Operator Override）的真实机器人任务。
- 多机器人协调：通过 Fleet Mode 管理多机器人共享与各自工作区，实现优先级串行调度。
- 开发者调试：使用 debug target（echo/mock/dry-run）在无硬件条件下验证协议流水线。
这个 Agent 有哪些优点和局限？
- 认知-物理解耦架构，新增硬件仅需实现一个 Target Adapter（约100行），调度层零改动。
- 四层安全机制（Critic、Preflight、SafetyGuard、Operator Override）适合真实机器人部署。
- 完整审计：状态、动作、感知结果写入 Markdown/YAML，可追溯可复现。
- 内置 TUI（
paos tui）提供全屏聊天、状态面板、主题管理。
- 项目仍处于早期（v0.1.x），API 可能不稳定，需要关注版本更新。
- 快速上手中的 LIBERO 示例依赖多个服务（conda 环境、远程服务器），配置复杂。
- 真实机器人支持（如 Franka、Go2）可能需要额外适配，且未提供详细配置文档。
- 文档中使用的 arXiv 论文链接（2607.16636）为占位，可能尚不可用。
如何安装或部署这个 Agent？
git clone https://github.com/PhyAgentOS/PhyAgentOS.git && cd PhyAgentOS
pip install -e . # Python ≥ 3.11
pip install -e ".[dev]" # 开发依赖如何使用这个 Agent？
paos onboard # 初始化工作区
paos agent # CLI 聊天
paos tui # 全屏 TUI可选：连接运行时服务。示例评估 PI0.5 在 LIBERO 仿真上的表现，需要三个终端：
- 启动 LIBERO TargetWS：
python PhyAgentOS/runtime/targets/remote/libero/server.py --host 0.0.0.0 --port 9002 --camera-height 256 --camera-width 256 --max-steps 300 --num-steps-wait 10 --control-mode relative --seed 7 - 启动策略服务器：
python -m PhyAgentOS.runtime.policy.openpi.native_openpi_server --policy-config pi05_libero --checkpoint-dir gs://openpi-assets/checkpoints/pi05_libero --host 0.0.0.0 --port 8000 - 运行 agent：
paos agent --workspace ~/.PhyAgentOS/workspace -m "Evaluate PI0.5 on LIBERO suite libero_spatial..."