AgiBot 推出的具身 Agent 框架 Genie Master，目標是把機器人的任務判斷、實體操作，以及操作後收到的回饋連成一個循環。AgiBot 表示，搭載此框架的 G2 機器人已在真實便利商店處理餐盒包裝、揀貨與貨架補貨，也會檢視部分失誤、改變做法，並保留有用經驗。820

AgiBot 將這次部署稱為「Physical RSI」（具身遞迴自我改進）在真實商業場域的首次驗證。不過，這項「業界首度」說法目前仍是公司主張，現有報導沒有提供足以獨立確認的比較證據。820

從重試同一動作，到調整感知方式

機器人要從任務中學到東西，不能只有一份行動計畫；它還得實際操作、觀察結果，再利用回饋決定下一步。Genie Master 被定位為串起這些環節的框架。依 AgiBot 的說法，G2 可以檢視執行結果、找出問題、調整策略，並將有用經驗留給後續嘗試。120

報導提到一個貨架掛勾的例子：小掛勾部分被價標遮住，機器人從執行紀錄判斷，頭部相機沒有提供足夠清楚的視野。接著，它靠近目標，改用腕部相機近距離確認位置，再嘗試操作。這個案例呈現的不只是重做一次，而是連感知目標的方式也跟著改變。11933

報導稱，相關任務不需要人員示範或在現場除錯。不過，這不代表系統開發、監督或其他環節完全沒有人參與；目前資料並未交代整體監督與人工介入安排。820

EEP：連結能力、指引、回饋與任務延續

AgiBot 說明，具身執行協議（Embodied Execution Protocol，EEP）整合四類介面：能力、引導、回饋與連續性。簡單來說，這套設計是要讓 Agent 知道機器人能執行哪些動作、如何引導執行、實際發生了什麼，以及還有哪些工作尚未完成。報導也將 EEP 與失敗回溯、腕部相機重試、多機排程及中斷後續作等功能連結在一起。320

這些說明勾勒出框架的預期用途，但現有資料沒有充分交代每一種介面的技術細節，也無法確認它如何處理各種任務相依性或故障復原情境。至於機器人是否會在店內較清閒時段，針對弱項進行特定練習，現有資料也不足以證實。

Harness RSI 與 Policy RSI：哪些細節仍待確認

報導將兩種改進方式描述為互補路線。Harness RSI 著重保留操作層面的經驗，例如提示內容與記憶，讓修正方法能在之後派上用場，而不一定要更動模型權重。貨架掛勾案例與這類可重複使用的指引或記憶更新相符。33

Policy RSI 則被描述為另一種改善機器人學得行為的方式。不過，現有資料不足以確認其具體資料篩選與重新加權流程，也無法證實系統如何使用自主執行、人工接手與復原資料，或採用哪些監督式學習、模仿學習及強化學習方法。因此，這些細節目前應視為尚未確認，而非已證實的部署功能。833

「首次實地驗證」不等於已證明全面進步

AgiBot 宣稱，Genie Master 首度在模擬與實驗室以外的真實商業場景驗證 Physical RSI；但現有報導並未以獨立的比較資料證實這項「首次」主張。520

此外，機器人能針對某一次失誤修正做法，代表它展現出一項值得關注的能力，卻不等於已證明它在不同任務或門市中都能持續提升。相關公開資料目前也沒有列出商店作業的成功率、錯誤數量或獨立驗證結果。4

Genie Master 在 AI WAVE 中的位置

AgiBot 的 AI WAVE 自 10 月 22 日啟動，規劃陸續發布七項成果，涵蓋資料集、作業平台、機器人本體、Agent 框架、模擬平台、基座大模型與群體經驗學習。Genie Master 是其中的 Agent 框架項目，排定於 10 月 27 日發布。5

隔日排定的 Genie Sim 升級，則被描述為加入自研物理引擎，以處理可變形物體的模擬；AgiBot 宣稱，複雜任務的真機與模擬一致性超過 95%。這個數字指的是公司所稱的模擬一致性，不是機器人任務成功率；目前公告摘錄也未說明該指標的定義與評估方法。5

6 台 G2 的 24 小時便利商店直播

AgiBot 預告，6 台 G2 將於 2026 年 11 月 2 至 3 日參與連續 24 小時的便利商店直播，排程涵蓋午餐與晚餐需求、深夜班，以及早餐準備。公司將直播形容為真實場域的考核；目前資料未說明所有任務是否都不預先編排，也沒有詳述人工介入規則。5

現階段較有根據的結論是：Genie Master 的設計方向，是連結機器人操作與回饋，讓部署經驗影響後續嘗試；AgiBot 也表示已在零售工作中測試這套做法。至於是否為業界首例、能否帶來廣泛的效能提升，以及 Policy RSI 的具體運作方式，仍需要更多可獨立查證的資料。

AgiBot 推出的具身 Agent 框架 Genie Master，目標是把機器人的任務判斷、實體操作，以及操作後收到的回饋連成一個循環。AgiBot 表示，搭載此框架的 G2 機器人已在真實便利商店處理餐盒包裝、揀貨與貨架補貨，也會檢視部分失誤、改變做法，並保留有用經驗。820

AgiBot 將這次部署稱為「Physical RSI」（具身遞迴自我改進）在真實商業場域的首次驗證。不過，這項「業界首度」說法目前仍是公司主張，現有報導沒有提供足以獨立確認的比較證據。820

從重試同一動作，到調整感知方式

機器人要從任務中學到東西，不能只有一份行動計畫；它還得實際操作、觀察結果，再利用回饋決定下一步。Genie Master 被定位為串起這些環節的框架。依 AgiBot 的說法，G2 可以檢視執行結果、找出問題、調整策略，並將有用經驗留給後續嘗試。120

報導提到一個貨架掛勾的例子：小掛勾部分被價標遮住，機器人從執行紀錄判斷，頭部相機沒有提供足夠清楚的視野。接著，它靠近目標，改用腕部相機近距離確認位置，再嘗試操作。這個案例呈現的不只是重做一次，而是連感知目標的方式也跟著改變。11933

報導稱，相關任務不需要人員示範或在現場除錯。不過，這不代表系統開發、監督或其他環節完全沒有人參與；目前資料並未交代整體監督與人工介入安排。820

EEP：連結能力、指引、回饋與任務延續

AgiBot 說明，具身執行協議（Embodied Execution Protocol，EEP）整合四類介面：能力、引導、回饋與連續性。簡單來說，這套設計是要讓 Agent 知道機器人能執行哪些動作、如何引導執行、實際發生了什麼，以及還有哪些工作尚未完成。報導也將 EEP 與失敗回溯、腕部相機重試、多機排程及中斷後續作等功能連結在一起。320

這些說明勾勒出框架的預期用途，但現有資料沒有充分交代每一種介面的技術細節，也無法確認它如何處理各種任務相依性或故障復原情境。至於機器人是否會在店內較清閒時段，針對弱項進行特定練習，現有資料也不足以證實。

Harness RSI 與 Policy RSI：哪些細節仍待確認

報導將兩種改進方式描述為互補路線。Harness RSI 著重保留操作層面的經驗，例如提示內容與記憶，讓修正方法能在之後派上用場，而不一定要更動模型權重。貨架掛勾案例與這類可重複使用的指引或記憶更新相符。33

Policy RSI 則被描述為另一種改善機器人學得行為的方式。不過，現有資料不足以確認其具體資料篩選與重新加權流程，也無法證實系統如何使用自主執行、人工接手與復原資料，或採用哪些監督式學習、模仿學習及強化學習方法。因此，這些細節目前應視為尚未確認，而非已證實的部署功能。833

「首次實地驗證」不等於已證明全面進步

AgiBot 宣稱，Genie Master 首度在模擬與實驗室以外的真實商業場景驗證 Physical RSI；但現有報導並未以獨立的比較資料證實這項「首次」主張。520

此外，機器人能針對某一次失誤修正做法，代表它展現出一項值得關注的能力，卻不等於已證明它在不同任務或門市中都能持續提升。相關公開資料目前也沒有列出商店作業的成功率、錯誤數量或獨立驗證結果。4

Genie Master 在 AI WAVE 中的位置

AgiBot 的 AI WAVE 自 10 月 22 日啟動，規劃陸續發布七項成果，涵蓋資料集、作業平台、機器人本體、Agent 框架、模擬平台、基座大模型與群體經驗學習。Genie Master 是其中的 Agent 框架項目，排定於 10 月 27 日發布。5

隔日排定的 Genie Sim 升級，則被描述為加入自研物理引擎，以處理可變形物體的模擬；AgiBot 宣稱，複雜任務的真機與模擬一致性超過 95%。這個數字指的是公司所稱的模擬一致性，不是機器人任務成功率；目前公告摘錄也未說明該指標的定義與評估方法。5

6 台 G2 的 24 小時便利商店直播

AgiBot 預告，6 台 G2 將於 2026 年 11 月 2 至 3 日參與連續 24 小時的便利商店直播，排程涵蓋午餐與晚餐需求、深夜班，以及早餐準備。公司將直播形容為真實場域的考核；目前資料未說明所有任務是否都不預先編排，也沒有詳述人工介入規則。5

現階段較有根據的結論是：Genie Master 的設計方向，是連結機器人操作與回饋，讓部署經驗影響後續嘗試；AgiBot 也表示已在零售工作中測試這套做法。至於是否為業界首例、能否帶來廣泛的效能提升，以及 Policy RSI 的具體運作方式，仍需要更多可獨立查證的資料。