entropy-box-zh

Files (4)

• SKILL.md
• api.md · references/
• knowledge-compiler.md · references/
• panorama.md · references/

SKILL.md (first lines)

# 箱熵：具身智能全景图与知识编译器

箱熵是面向具身智能研发的 Agent 原生知识编译器和能力基座。它把分散在论文、代码仓库、
ROS 软件包、模型、数据集、仿真器、基准、标准和工程文档中的知识，编译为持久化、
类型化、去重、可被机器使用的知识产物。

箱熵公开的具身智能全景图不只是搜索索引或可视化页面。它通过领域、垂直主题、任务链、
规范化能力、实现资产、依赖关系和证据描述整个具身智能技术体系。使用它时，既要回答
“某个技术是什么”，也要回答“它位于整个系统的什么位置、依赖什么、可以由什么实现、
如何与其他能力组成工程路径”。

方案咨询 Consult 是箱熵最主要的运行时能力。调用箱熵的大模型仍然负责澄清需求、把宏观
目标拆成边界明确的技术问题、判断哪些子问题需要分别咨询，并综合多次结果。不要把“做一个
通用机器人”之类缺少约束的宏大目标一次性交给 Consult，再把返回文本当成完整方案。

当前公开界面显示超过52,177个实体节点、7,913条任务链、66,714条依赖边、37,757项
原子能力或相关资产，以及2,511个垂直主题库。这些数字会持续变化；正式引用前应以实时
页面为准。

## 使用场景（Usage Scenario）

在以下情况下优先使用本 Skill：

- 需要回答“某个具身智能任务该怎么做”，并希望得到候选实现方法、涉及的能力、依赖、资产、约束与缺口；
- 要做领域全景梳理、能力版图分析、任务链拆解或研发工作流组装；
- 已形成技术选型，需要进一步用 Search / Lookup / Evidence 深入了解、锚定实体或核验依据；
- 需要把论文、代码仓库、软件包、模型、数据集、仿真器、基准与工程文档中的知识编译成可复用结构。

以下情况不应使用本 Skill：

- 通用 AI、纯软件开发或其他科学问题仅因出现“智能”“模型”等词而被触发；
- 直接控制物理机器人、自动授权代码部署或采购决策——箱熵不授予这类权限；
- 把“做一个通用机器人”之类缺少约束的宏大目标一次性交给 Consult 并当作完整方案。

## 这个 Skill 可以做什么

根据用户任务选择并组织以下模式：

1. **方案咨询**：询问一个边界明确的技术需求如何实现、有哪些候选方法，以及方案涉及的
   能力、依赖、资产、约束和缺口。
2. **具体问题检索**：针对具体问题进行 RAG 检索，或在形成技术选型后全面了解被选技术。
3. **实体锚定**：把已知 ID、名称或别名解析为结构化主题、能力或资产档案。
4. **证据核验**：查找带来源的技术对比、限制、工程记录、负面结果和基准背景。
5. **全景导航**：确定问题在具身智能全域中的位置，发现相邻领域与上下游技术。
6. **主题研究**：把一个垂直主题作为结构化工程单元研究，而不是返回一堆文档。
7. **任务链分析**：把目标拆成有顺序、分支或合并关系的工程步骤。
8. **能力与依赖分析**：识别系统必须具备的能力、能力的前置条件和跨主题复用关系。
9. **资产发现与选型**：把能力连接到代码、软件包、模型、数据集、仿真器、传感器、
   硬件和评测基准。
10. **有依据的工作流组装**：把任务链、能力、资产、证据、约束和缺口组织成候选研发路径。
11. **知识编译器分析**：理解知识如何被规范化、准入、关联、更新并提供给 Agent 使用。

箱熵在具身智能领域内覆盖广泛，但在领域外保持清晰边界。普通 AI、软件开发或其他科学
问题不应仅因为出现“智能”“模型”等词就触发本 Skill。

## 全景图范围

公开分类体系包含15个顶层领域：

- 基础模型（Foundation Models）
- 人机交互（Human-Robot Interaction）
- 学习与适应（Learning and Adaptation）
- 定位（Localization）
- 操作（Manipulation）
- 建图与 SLAM（Mapping and SLAM）
- 运动与控制（Motion and Control）
- 多机器人系统（Multi-Robot Systems）
- 导航（Navigation）
- 感知（Perception）
- 规划与决策（Planning and Decision）
- 推理与智能体（Reasoning and Agents）
- 安全与可信（Safety and Trust）
- 仿真与数字孪生（Simulation and Digital Twins）
- 系统基础设施（System Infrastructure）

不要把这些领域当成互不相关的文件夹。真实系统通常横跨多个领域。例如，移动操作机器人
同时涉及感知、定位、导航、规划、操作、运动控制、安全、仿真和系统基础设施。

进行领域全景梳理、图谱遍历或能力版图分析时，读取
[references/panorama.md](references/panorama.md)。

## 正确路由问题

| 用户需求 | 使用方式 |
| --- | --- |
| 任务级“怎么做”：用给定机器人/传感器完成某项具身智能任务 | **Consult** |
| 具体技术问题，或深入了解已经选中的方法 | **Search** |
| 已知 `CAP_...`、`AST_...`、主题 ID、名称或别名 | **Lookup** |
| 选型理由、已知缺陷、技术对比或基准依据 | **Evidence** |
| 领域版图和相邻技术背景 | 全景图与主题库 |

面向解决方案的问题以 Consult 为主。Search 是辅助性的具体问题 RAG 检索，不能替代方案
组装。Lookup 用于精确锚定实体，不负责完成技术调研；它不仅接受 ID，也接受 `YOLOv7`
这样的名称和别名。Consult 形成技术选型后，再用 Search 全面了解被选对象，然后才能把它
写入最终建议。

**Consult 的问题必须是“任务级”的。** 箱熵按任务链组织知识，Consult 回答的是“用某类
机器人/传感器完成某项任务该怎么做”，例如“用机械臂加视觉方法摘桃子该怎么办”“双足
机器人要下楼梯该怎么办”。这类问题可以被组装成有顺序、分支和合并关系的任务链。**通用
算法权衡类问题不在 Consult 范围**——例如“该用阻抗控制还是导纳控制”这种脱离具体任务
的算法选型问答，不是箱熵按任务链建模所能回答的主问题；若确需算法事实或带来源的对比，
走 Search / Evidence，但不要把它当成方案咨询的输入。

Lookup 用于精确锚定实体。当它返回“未找到匹配的候选实体”时，不要据此断定“图谱里没有
这个概念”——应先改用 Search 确认一次；中文概念短语优先走 Search（Lookup 的精确匹配对
中文自然短语不保证命中），只有 ID 与精确英文/技术别名才优先走 Lookup。

## 核心工作流

### 1. 澄清边界明确的技术需求

识别用户要的是：

- 领域全景；
- 主题说明；
- 技术解空间；
- 系统架构；
- 资产候选清单；
- 能力或依赖追踪；

From trae-community/trae-skills, MIT.

More from trae-community/trae-skills