你让机器人把胡萝卜放进盘子。它看懂了指令，也朝胡萝卜伸手，却在抓偏之后继续搬运，仿佛东西已经拿稳。此时，缺的不是“知道任务是什么”，而是发现失败、判断原因，再把动作拉回正轨的能力。
Recursive Harness Distillation（RHD，递归脚手架蒸馏）换了一个角度：先让强 Agent——能观察、判断并干预机器人执行的智能体——积累纠错经验，写成一份 playbook，也就是行动手册；再交给成本较低的轻量 Agent 使用。强 Agent随后查看它的实操记录，继续修订手册。论文报告，这套方法在模拟环境和实体机器人上都提高了成功率。不过，相关结果来自作者的一组实验，仍需结合任务范围和评测规模来看。
蒸馏的不是模型，而是师傅的手册
这里的机器人底座是视觉—语言—动作模型（VLA）：它把摄像头画面和文字指令直接转成动作，像是同时负责看、听懂和动手。问题在于，会做多种任务，不等于遇到场景变化或动作走偏时也会补救。
RHD在VLA外面加了一套 Agent harness，也就是执行脚手架。它允许 Agent观察执行、检查候选动作，并在三个位置介入：改写给VLA的指令；调整模型对画面特定区域的注意；或者直接修正末端执行器和夹爪动作。底层VLA、强 Agent和轻量 Agent的模型参数都保持不变。
这与常见的知识蒸馏不同。通常，蒸馏是让较小模型通过训练模仿较强教师；这里被迁移的不是参数，而是强 Agent干预机器人后总结出的经验。所谓“递归”，也不是机器人在每次推理时反复呼叫专家，而是“师傅写手册—徒弟实操—师傅看反馈—再改手册”的循环。
关键点在于，手册不能只记录强 Agent自己怎么做。轻量 Agent即使读到同一句建议，也可能选择不同的干预方式，继而遇到完全不同的后续局面。因此，修订必须围绕接收者真正经历的轨迹展开：它在哪里误解了规则，什么时候用了错误的干预，以及环境随后发生了什么。
论文的更新流程也相当谨慎。强 Agent先与VLA交互，形成初版手册；轻量 Agent拿着它执行开发任务；强 Agent再依据完整记录提出修订。每个候选版本先固定下来，然后在同一批开发实例上测试。达到设定目标的首个版本才会被接受；若没有版本达标，就继续根据反馈提出候选。作者明确指出，这条接受规则并不保证一定会结束。
一份坏手册，真的会帮倒忙
实验使用GPT-6 Astra作为强 Agent，GPT-5.6 Luna作为轻量 Agent，底层策略为参数冻结的GR00T。在SimplerEnv Bridge模拟环境中，任务包括把勺子放到毛巾上、把胡萝卜放到盘子上、堆叠方块，以及把茄子放进篮子。
结果最能说明“递归修订”为何重要。单独使用GR00T的成功率是41.7%；加入没有手册的Luna，只升到43.8%。而强 Agent最初写出的手册反而把Luna的成功率降到31.3%。经过轻量 Agent实操反馈和多轮修订后，成功率才升至66.7%，比无手册的Luna高22.9个百分点。
换句话说，把专家经验写下来并不自动等于可用知识。真正产生增益的是根据使用者的错误继续改写。对照实验进一步显示，由Luna自己担任教师并递归修订时，最终成功率只有22.9%，不仅远低于Astra教师得到的66.7%，也低于Luna无手册时的43.8%。至少在这组设置里，教师能力本身仍然重要。
同一份修订后手册也能交还给强 Agent使用：Astra在Bridge上达到79.2%。论文还称，带手册的Luna优于不带手册的Astra，但没有给出后者的具体成功率，因此无法计算差值。
手册里写的，是怎么把失败拉回来
这份playbook不是泛泛提醒“认真检查”，而是把观察、干预和结果连起来。例如，Luna曾在遮挡后把机器人部件误认成勺子，手册于是加入依据外观和场景位置重新识别物体的规则。另一次，机器人提起茄子的幅度很小，但夹爪仍闭合，说明物体可能还在手里；手册建议先做一次幅度受限的抬升确认，而不是立即松爪重抓。
它也记录VLA一些不直观的反应。即使指令写着“打开夹爪”，模型仍可能生成闭合动作，所以Agent必须检查输出，必要时直接修正。释放方块前，则要确认方块与目标的几何关系，并在夹爪撤离时观察支撑是否稳定。
消融实验——逐项拿掉某种能力，看性能掉多少——显示，移除指令改写造成的下降最大。不过，论文同时指出，直接动作修正也参与了整体增益。这说明有效的脚手架不是只替机器人重说一遍任务，而是在合适时机选择不同层次的干预。
实体机器人也有效，但不是直接照搬
实体实验使用7自由度Franka Panda机械臂，测试把橙色方块放入托盘、把橙色方块叠到绿色方块上，以及按下红色急停按钮。每项任务收集50次人类遥操作示范来微调底层策略，随后固定该策略。评测共75次，每项25次，并在每次试验前随机调整物体位置。
单独使用底层策略的总体成功率为37.3%；Luna只有干预工具、没有手册时为0%；使用修订后的手册后达到64.0%。分任务看，成功次数分别为18/25、13/25和17/25。
但这里并非把模拟环境手册原封不动搬到真机。Astra先根据实体任务和微调后的策略做了适配，再让Luna使用。论文观察到，无手册的Luna难以补偿目标位置与实际动作之间反复出现的空间偏差，单靠改指令或调注意力也不能稳定解决。
为什么值得现在看
这项工作的价值，不只是又给VLA叠了一层更强模型。它尝试把多Agent执行过程中昂贵的试错，沉淀成可复用、可继续修订的外部资产。模型参数不用更新，同一份经验还能跨能力不同的Agent复用。
成本结果也解释了这种安排的动机。在同一Bridge测试集和同一修订后手册下，作者按记录的token用量及API价格估算：Luna全套测试花费30.03美元，平均每个任务回合0.63美元；Astra为164.61美元，平均3.43美元，约贵5.5倍。先让强 Agent承担探索和整理，再让轻量 Agent反复执行，可能比让专家始终在线更经济。
更重要的是，它为机器人泛化提供了不同于单纯扩充训练数据的路线：先保留现有VLA，再把“何时判断失败、怎样介入、如何确认修复有效”逐步写进外部手册。这里积累的是执行知识，而不只是更多示范。
局限与未知
- Bridge评测包含4项任务，开发集和评测集各48个实例；实体评测只有3项任务、共75次试验。结果说明这条路线在这些设置中可行，但不能据此认定它已经具备普遍、稳定的跨任务泛化能力。
- 实体手册经过Astra针对物理任务和微调策略的适配，因此37.3%到64.0%的提升不能直接解读为一份手册可无调整迁移到任意机器人。
- 初版手册会让表现从43.8%降到31.3%，Luna自我蒸馏更降至22.9%。这既凸显反馈修订和强教师的作用，也说明错误经验可能被系统化地放大。