宇树员工：入职五年了，薪资一共涨了 58%，主要是入职时的基数太低了，不过现在已经很知足了（附Agent面试题）

对于很多老员工来说，你入职的时间越久，就意味着你入职时的基本工资越低。

所以经常会出现薪资倒挂的情况。

但如果一家公司注重老员工的体验时，就会通过普调啊、晋升啊，一直涨薪，好留下人才。毕竟入职时间越久，处理的事情就越多，经验上就会越丰富。

同时，公司如果还有新鲜血液加入，就会形成一个比较好的良性竞争环境。

ps：我先叠个甲，下面这些数据是我通过Codex做的深度调研，如果不准确的话，锅就让Codex来背。😄

2023年，宇树全年营收1.59亿元，2025年来到了16.99亿元，同比增长335%。人形机器人出货5511台，全球市场份额32.4%，四足机器人年销量超过2.3万台，全球市占率接近70%。

五年营收翻了十倍，说实话，能在这样的公司待着，我也很知足。另外，我调查的时候还发现，8月6日，DeepSeek 以1.41亿元获配约93万股宇树科技，锁定期36个月。双方签了一个战略合作备忘录——联合研发具身智能，DeepSeek 的具身业务优先采购宇树的机器人，宇树做大模型训练和适配的时候优先选用 DeepSeek 的方案。

DeepSeek 做的是推理能力、规划能力、语言理解，宇树做的是运动控制、核心部件、整机工程化和量产。未来很美好。

之前我们也聊过，机器人是大模型真正落地到物理世界的一个方向。

具身智能相关的岗位——VLA 算法、运动控制、仿真环境、机器人 Agent 推荐大家都去冲一冲。如果你是一位愿意相信努力、相信过程、相信一步一个脚印、相信自己能在 AI 时代分一杯羹的人，那接下来的硬核内容，希望你能认真读一读。

（全文比较肝，保证大家能学到很多很多，系好安全带，我们粗粗粗发～）

content

01、软件 Agent 和具身 Agent 最核心的区别是什么？

“软件 Agent 调用 API 操作数据，无非是软件层面的东西，具身 Agent 通过电机和执行器操作的是物理世界，硬件显然更贵，成本更高。具身 Agent 的错误成本天然也更高。”

02、VLM、VLA 和传统的“LLM+工具调用”架构有什么区别？分别适合哪些机器人任务？

“VLM 能看能说，VLA 能看能说还能动。”

VLM（Vision-Language Model，视觉语言模型）接收图像和文本输入，输出文本。它能理解场景、回答问题、做高层规划，但不能直接输出运动轨迹。适合做任务分解和场景理解——“桌上有三个杯子，红色的那个离边缘最近”。

VLA（Vision-Language-Action，视觉语言动作模型）是端到端的。输入图像加文本指令，直接输出关节角度或者末端执行器的位置和姿势。

拿宇树2026年1月开源的 UnifoLM-VLA-0 来说，在 LIBERO 基准测试上平均分98.7，能直接把“拿起红色杯子”这句话变成一条抓取轨迹。

拿“把红色杯子放到架子上”这个指令来说，VLA 可以端到端直接输出轨迹。LLM+工具调用要先解析指令，再调目标检测定位杯子，接着算路径规划的轨迹，最后交给运动控制执行。

03、为什么机器人不仅需要“大脑模型”，还需要低延迟的运动控制“小脑”？

大脑负责任务规划和决策。理解“帮我把桌子收拾干净”这句话，判断先拿什么后放什么。

小脑负责运动控制。让机器人走路时保持平衡、踩到不平的地面能立刻调整步态、抓东西时力度恰到好处。

举个例子，机器人在走路的时候踩到一块石头，脚底受力突变。如果把这个信号交给大脑的 VLA 模型来处理，推理就很慢，机器人早就失去平衡摔倒了。

小脑的运动控制器用强化学习训练，部署在端侧，短时间内就能输出关节力矩调整。

04、世界模型在具身 Agent 中承担什么作用？它与普通仿真器有什么区别？

“世界模型让机器人在动手之前，先在脑子里模拟一遍动作的后果。”

普通仿真器把重力加速度、摩擦系数、碰撞弹性这些用数学公式建模，精确但并非现实世界。现实世界里物体的变形、打滑、不规则表面这些情况，很难全部用公式描述。

世界模型是从真实数据里训练出来的。喂给它大量真实世界的视频和交互数据，让它学会“推一个杯子，杯子会往哪滑”“抬腿迈过障碍物，重心怎么变化”。

碰到训练时没见过的物体，它也能给出合理的预测，泛化能力比手写仿真器强。

世界模型怎么训练？

宇树2025年9月开源的 UnifoLM-WMA-0，用的是视频扩散模型作为基础架构。仿真引擎模块做交互式模拟，为机器人学习提供合成训练数据。策略增强模块和动作头对接，通过预测未来的交互视频来优化决策——机器人在做一个动作之前，先“想象”做完之后会发生什么。

05、如何把行走、转身、抓取、放置、充电等机器人能力封装成类似 Skill 或 Tool Calling 的工具？

“每个原子动作封装成一个独立的 Skill，带前置条件、执行逻辑和后置断言。”

拿“抓取”这个 Skill 来说。

前置条件（Preconditions）：机械臂在工作范围内、目标物体已被检测到、夹爪处于张开状态。三个条件有一个不满足，这个 Skill 就不能被调用。

执行逻辑：移动到目标上方→下降到抓取高度→闭合夹爪→抬起。每一步的运动轨迹由小脑的控制器生成。

后置断言（Postconditions）：力传感器检测到夹持力在合理范围内，目标物体的位置和末端执行器位置一致。如果后置断言不满足，说明抓取失败了。

组合能力通过任务图编排。“把杯子从桌子放到柜子里”拆成定位→导航→抓取→导航→放置→释放，每一步的后置断言就是下一步的前置条件。

06、如果自然语言指令是“把桌面收拾干净”，Agent 应该如何将模糊目标拆解成可执行动作？

“收拾干净是个模糊目标，Agent 要自己搞清楚‘干净’是什么意思。”

第一步，视觉感知。调用目标检测模型扫描桌面，识别每个物体的类别、位置和姿态。一个杯子、两本书、一包纸巾、一个手机充电器——先知道桌上有什么。

第二步，目标推理。根据常识判断哪些东西需要移走，哪些应该留着。台灯、显示器属于桌面固定物品。用完的餐具、零食包需要清走，VLM 需要理解“干净”在当前场景里到底是什么标准。

第三步，生成动作序列。对需要移走的物体排优先级——易碎的先拿。为每个物体生成抓取和放置的动作序列，确定放到哪里。

第四步，逐步执行加实时校验。每完成一个物体的操作，重新做一次视觉感知，确认物体确实被移走了。

执行中途失败了怎么办？

比如说抓杯子的时候没夹住，杯子滑到了桌子边缘。执行器在每个动作结束后检查后置断言。力传感器没有检测到夹持力，说明抓取失败了。

Agent 重新感知当前状态，发现杯子的位置变了。重新规划抓取策略——可能需要换个角度，或者先把杯子推到桌面中间再抓。

如果连续失败超过阈值，上报异常，请求人工介入。物理世界里不能无限重试，每一次失败都有可能让情况变得更复杂。

07、训练一个能完成工厂装配任务的 VLA 模型，需要采集哪些数据？

视觉流：多视角的 RGB 图像加深度图像。至少要有一个第三人称视角看全局，一个手眼相机视角看末端执行器正在操作的画面。

语言标注：每段操作对应的自然语言描述。标注粒度很重要——“拿起螺丝”是模糊含义，“从零件盒第二格拿起 M6 螺丝，拧到左侧面板第三个孔位”这种包含上下文的标注，模型才能学到精细的指令理解。

动作轨迹：机械臂各关节的角度、角速度、力矩，加上末端执行器的六自由度位姿和夹爪开合状态。

08、模型 OTA 升级后机器人行为发生退化，应该如何做灰度发布、回滚和版本追踪？

“金丝雀发布。新版本先推给1%的机器人，跑24到72小时。”

监控安全指标，包括跌倒率、碰撞频次、急停触发次数。同时监控性能指标，包括任务成功率、平均完成时间、动作平滑度。

版本追踪需要绑定模型权重版本、策略配置版本、硬件固件版本。同一个模型在不同固件版本的机器人上行为可能不一样，因为传感器驱动和电机参数有差异。

金丝雀通过之后逐步放量，10%→30%→100%。全量推送之后还要保持旧版本的回滚能力至少两周，出了问题能快速切回去。

09、如何设计具身 Agent 的 Memory？

短期记忆存当前任务的即时状态。正在执行“收拾桌面”，记忆里存着已经处理了3个物体，还剩2个，当前手里拿着一个杯子，目标是厨房的碗柜。

长期记忆存积累的环境知识——“垃圾桶在厨房角落”、“主人的杯子是蓝色的那个”、“客厅的地毯边缘容易绊脚”。通过多次交互逐渐积累，持久化存储，跨任务复用。

空间记忆是具身 Agent 特有的。维护一张动态的环境地图，记录房间布局、家具位置、通行路径。椅子被挪了位置，空间记忆需要更新。

10、真实机器人数据昂贵，如何结合仿真数据、合成数据和真实数据进行训练？

仿真数据在物理引擎里生成，量大、便宜、安全，可以大规模模拟各种极端场景——跌倒、碰撞、负重极限。

合成数据做域随机化（Domain Randomization），弥补视觉层面的差异。随机变换光照条件、物体纹理、背景颜色，让模型见过足够多的视觉变体之后，对这些差异不再敏感。

然后用真机采集的轨迹数据做最后一步微调，把仿真和合成数据覆盖不到的物理细节补上。

11、给一台人形机器人设计「把桌上的东西收拾好」这个任务的 Agent，你会怎么做？

给机器人装多个摄像头——头部广角摄像头看全局，手腕相机看末端执行器正在操作的区域。

用目标检测模型识别桌面上所有物体的类别、位置、尺寸，深度相机提供三维坐标。识别结果交给 VLM 做场景理解，判断哪些需要收走、哪些应该留着。

VLM 输出一个任务清单——收走用完的餐具，把书放回书架，擦掉水渍。每个子任务再拆解成原子动作序列，排列优先级，易碎的先处理。

每个原子动作走小脑的运动控制器，VLA 模型接收当前视觉输入和动作指令，输出关节轨迹。力传感器实时反馈调整夹持力。

每完成一个物体的操作，重新做一次视觉感知——物体确实被移走了吗？桌面状态在往“干净”的方向走吗？

如果抓取失败了，重新规划。任务完成后拍一张桌面全景图，和“干净”的参考状态做对比确认。

具身 Agent 怎么写到简历上？

项目名称：PaiAgent——具身Agent任务编排与仿真平台 2026.03 – 2026.06

项目简介：面向人形机器人的多 Agent 协作平台，支持多层级任务调度、原子能力封装与编排、多模态感知与反馈控制、仿真与真实数据混合训练，集成分层 Memory 管理和灰度发布能力，覆盖从自然语言指令到物理动作执行的完整交互流程。

技术栈：Java 21、Spring AI、LangGraph4j、PyTorch、Isaac Sim SDK、MCP 协议、Redis

核心职责：

• 设计多 Agent 分层调度架构，大脑层 VLM 负责自然语言指令解析和任务规划，小脑层运动控制器执行关节级动作，安全层做风险拦截和操作权限管控；按任务类型和实时性要求路由到对应 Agent，高频控制指令走端侧推理
• 基于 MCP 协议封装机器人原子能力（行走、抓取、放置、旋转），每个 Skill 带前置条件校验和后置断言验证，组合任务通过 DAG 自动编排调度；前置条件不满足时阻塞调用并上报状态，后置断言失败时触发重规划
• 设计四层 Memory 架构（工作记忆、情景记忆、语义记忆、空间记忆），工作记忆维护当前任务进度和执行器状态，情景记忆按时间窗口保留用户偏好和交互事件，语义记忆持久化存储环境知识，空间记忆维护动态环境地图并支持近邻查询
• 构建仿真-真实数据混合训练流水线，Isaac Sim 生成多场景仿真数据，域随机化弥补 Sim-to-Real 视觉差异，真实采集数据做最终微调；仿真与合成数据占训练集80%以上，真实数据做精调
• 实现模型灰度发布和版本追踪机制，通过版本注册中心管理模型权重、策略配置和硬件固件的兼容性矩阵，支持1%金丝雀发布和按安全指标自动回滚，全量推送后保持旧版本两周回滚窗口

ending

当 Agent 走向物理世界，它要应对的就不只是 token 和 API 延迟，还有重力、摩擦力、风雨雷电。

技术的边界在扩大，但“愿意动手、愿意学新东西”这件事本身，不会过时。

加油吧，兄弟姐妹们。

下期见。