你让机器人去园区找一家店，再回来告诉你路上哪里施工。难点不只是“会走路”：它要听懂目标、观察环境、调用导航能力，发现走错后改路，确认自己真的到达，还要把施工位置记下来。今天不少机器人模型擅长其中一环，但长时间把这些环节串起来，仍然容易中途迷失。
ABot 的两项工作试图补上这层连接。ABot-N1 负责把语言目标变成可执行的导航线索；ABot-AgentOS 则站在底层控制器之上，统筹规划、技能调用、结果核验和长期记忆。它不是电脑上管理文件和窗口的传统操作系统，更像机器人的“总调度室”。本刊此前介绍过 ABot-M0.5 如何统一底盘移动、机械臂操作与环境预测；这一次，ABot 的关注范围进一步延伸到导航、记忆、工具调用和长期任务运行。
需要先说明：两项工作的结果分别来自各自论文，尚无材料显示经过独立复现；它们评测的系统和指标也不同，不能把数字放在一起横向比较。
导航先指方向，再迈步
ABot-N1 面向视觉语言导航：机器人一边看摄像头画面，一边根据自然语言决定往哪里走。过去常见的做法，是让一个模型从观察直接输出动作。论文认为，这种“从看见到迈步一口气完成”的方式容易出现坐标漂移，也不善于处理少见而复杂的语义目标。
ABot-N1 把导航拆成慢、快两层。慢速视觉语言推理器负责理解任务和场景，并在当前图像上给出 pixel goal——也就是用一组像素位置标出“应该朝这里去”。快速动作专家再结合文字提示与这些视觉锚点，以控制器原本的频率持续生成路径点。
可以把它理解成副驾驶与司机的分工：副驾驶不直接转方向盘，而是在挡风玻璃上指出入口；司机根据这个明确目标连续操控。这样，高层判断不必处理每一次细小转向，底层控制也不必重新猜测整句话的意图。
这组 pixel goal 还是一个统一接口。论文称，它可以连接 point-goal（前往指定位置）、object-goal（找到某类物体）、POI-goal（抵达兴趣点）、按指令行走和跟随人员等任务。换句话说，任务表述可以变化，交给控制层的仍是一种统一的图像坐标语言。
据 ABot-N1 论文报告，系统把 POI arrival 提升了 35.0%，最终达到 77.3%；在复杂室内和室外场景中，成功率 SR 分别达到 95.4% 和 92.9%。不过论文摘要没有说明 35.0%是相对增幅还是百分点，也没有交代这些成功率对应的数据集、样本量和评测协议。材料还称 Point-Goal 与 POI-Goal 基准已开源，但没有提供代码或数据仓库链接。
AgentOS 管的不是一步，而是整件事
导航模型解决“下一段往哪里走”，ABot-AgentOS 关注的则是更长的链条。它架在 VLM、VLA 和低层控制器之上。VLM 是把图像与文字一起理解的视觉语言模型；VLA 是进一步把视觉和语言转成动作的视觉—语言—动作模型。AgentOS 不替代这些能力，而是决定何时调用它们，以及如何判断执行是否有效。
系统把工作分给三个角色。主 LLM 结合当前场景、记忆、机器人状态和可用技能，制定可修改的高层计划。Skill Runner 在隔离的局部上下文里执行具体子任务，保存重复观察、失败尝试和恢复过程，最后只把压缩后的结果交还主模型。这样，主模型不会被每次碰撞、转身和重新定位淹没。
Verifier 则负责核验。它在运行中检查机器人是否停滞、循环或反复碰撞；在技能结束时检查子目标是否真正完成；在整项任务结束前，再对照原始指令、执行轨迹和环境证据。关键变化是：工具正常返回，不再自动等于现实世界里的任务成功。
AgentOS 还采用边云协同。轻量的 Tiny LLM 在机器人端处理每轮交互、状态跟踪和常规决策；遇到复杂推理、长期规划或歧义时，再请求云端 Large LLM。论文称路由策略来自训练样本和执行反馈，而不是一组固定规则。
记忆不存流水账，而是存关系
长期运行的机器人不能每次都从零开始。ABot-AgentOS 的 Universal Multi-modal Graph Memory 把对话、视觉观察、地点、时间关系和任务轨迹写成带类型的节点与边，并保留来源信息。它不会简单保存整段视频或完整聊天记录，而是压缩成“谁、何时、在哪里、发生了什么、证据来自哪一帧”这样的结构。
例如，“我昨天领养了一只 Maltese dog”会被写成带时间的事件，并连接说话内容、身份假设、置信度和原始证据；若同时附有图片，图片也会成为证据节点。查询时，系统先用语义相似度、文字匹配、时间和地点等条件找到种子节点，再沿关系边展开一小片证据子图。机器人因此不只找到一句相似的话，还能追查人物、地点、先后顺序和证据来源。
论文还提出失败驱动的自进化机制。系统分析记忆写入、证据选择、画面选择、时间定位和答案组织等错误，把修复方案编译成受约束、可版本管理和回滚的 JSON DSL 资产，而不是直接运行自动生成的 Python 代码。为减少答案泄漏，某个评测划分产生的 evo-assets 只能用于之后的划分，不能回头修补当前成绩。这是机制设计声明，并不足以单独证明实现中完全不存在数据污染。
在四项记忆基准上，论文报告 ABot-AgentOS Static 的 Acc@All 分别为：LoCoMo 87.5、OpenEQA EM-EQA 59.9、Mem-Gallery 88.6、NExT-QA 76.5。加入 self-evolution 后，前三项分别升至 88.7、60.4 和 89.0。提升存在，但幅度不大，更适合看作这套持续修补机制的初步信号。
为什么值得关注
这套思路的价值不在于再造一个包办一切的大模型，而在于明确划分职责：导航模型给出视觉目标，控制器负责连续动作，技能执行器处理局部过程，核验器检查现实结果，图记忆保存长期证据。硬件接口则被包装成可插拔技能，使同一套高层逻辑有机会连接人形机器人、四足机器狗、移动操作平台和机械臂。
为了评估这种长任务系统，论文还提出可执行基准 EmbodiedWorldBench，覆盖 16 个室内、室外及混合场景、4 个难度等级和超过 200 项任务，包括导航、物体搜索、NPC 对话和动态事件。论文只称 AgentOS 在其中一个“初始子集”上，任务成功率与目标完成度优于 single-controller baseline，没有披露子集范围、提升幅度、基线配置或统计显著性。因此，它证明的仍是可行性，而不是完整基准上的普遍领先。
局限与未知
- ABot-N1 的关键成绩缺少数据集划分、样本量、对照模型和评测协议，论文所称“新 SOTA”暂时只能视为作者陈述。
- AgentOS 的跨机器人形态适配主要建立在技能接口解耦上；材料没有给出不同硬件间迁移成本和完整实机结果。
- EmbodiedWorldBench 目前只披露初始子集上的方向性优势，尚不足以判断系统在全部 200 多项任务中的稳定性。