想象你是一位刚开业的中餐厅主厨。你并没有为每道菜临时发明刀法，而是早就练好了“切丝”“焯水”“颠勺”“勾芡”这些基本功。当客人点一盘鱼香肉丝时，你只是在心里把几张“技能卡”按顺序排好：切肉丝 → 调鱼香汁 → 热锅滑炒 → 出锅装盘。这张按顺序串联的卡片清单，就是一条“技能链”。如果某一步（比如肉丝没切好）发现前置条件不满足，你会停下来重新排布。机器人技能库与技能链，做的正是同一件事：把机器人的操作能力拆成可复用、可组合、可编排的基本单元（技能库），再通过规划与执行把这些单元串成一条能完成复杂长程任务的链路（技能链）。本文将用“主厨的厨房”这一比喻贯穿始终，从技能怎么存、接口怎么定，到链怎么排、执行怎么管，一步步带你进入机器人学习的前沿厨房。

岗位关联

对 AI 从业者而言，理解技能库与技能链是解锁“机器人走进真实世界”的关键钥匙——它能帮你把无限的长程任务，拆解成有限的、可迁移的技能组合，是具身智能落地工业与家居场景的必备思维。

目录
  1. 可视化演示
  2. 技能库核心
  3. 技能接口
  4. 技能链概念
  5. 组合规划策略
  6. 编排执行对比
  7. 应用与未来
  8. 技能学习演进
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

技能库：模块化操作原语 技能复用与组合 技能接口规范设计 Skill Interface Specification

技能库核心

主厨在后厨站稳脚跟的第一步，不是学会某一道具体菜品，而是把“切丝、焯水、颠勺、勾芡”这些基本功练成肌肉记忆。这些基本功就是技能库里的“技能”：它们不绑定任何特定菜品，却能在无数菜品中被反复调用。机器人技能库的核心，正是把操作能力拆解为模块化的、可复用的基本单元——每个单元封装一段感知—决策—执行逻辑，类似主厨的一张技能卡。

在概念层面，技能模块化意味着技能与任务解耦。主厨的“切丝”既能服务鱼香肉丝，也能服务凉拌黄瓜；机器人的“抓取”技能既能服务装配任务，也能服务分拣任务。技能的可复用性来自标准化的输入输出接口：只要接口不变，技能内部哪怕换了更快的算法实现，调用方也不受影响。这可类比更换炒锅却不改变颠勺的手法。

为了让技能库持续成长，机器人还需具备学习与迁移能力。技能从何而来？一是人类演示后的模仿学习——师傅手把手教学徒；二是强化学习——机器人自己尝试千万次，留下成功率高的动作模式；三是交互式构建——人类通过自然语言或遥操作直接“录入”新技能。迁移能力则让机器人把学会的“翻炒”迁移到不同黏稠度的食材上。

回到厨房：主厨的调味盒就是技能库——里面是油盐酱醋，不是成品菜。炒任何菜都是先拿出一小罐，按顺序倒进锅里。机器人有了技能库，才能在面对全新长程任务时，不慌不忙地“翻菜谱”。

Q(s)={q1,q2,…,qm}且σ:T↦⟨qi1,qi2,…,qin⟩\mathcal{Q}(s)=\{q_1,q_2,\dots,q_m\}\quad \text{且}\quad \sigma:\mathcal{T}\mapsto\langle q_{i_1},q_{i_2},\dots,q_{i_n}\rangle
技能库 $\mathcal{Q}$ 是所有基础技能的集合；$\sigma$ 表示一种映射，它能将一个任务 $\mathcal{T}$ 对应到一条技能序列上——先有库，才能组链。
  1. 技能集合$\mathcal{Q}(s)$ 表示在机器人所处状态 $s$ 下可用的全部技能。可用性由技能的前置条件决定。
    Q(s)={q1,q2,…,qm}\mathcal{Q}(s)=\{q_1,q_2,\dots,q_m\}
  2. 任务映射$\sigma$ 是映射符号，将任务领域 $\mathcal{T}$ 中任意一个具体任务，转化为有序技能序列。
    σ:T↦⟨qi1,qi2,…,qin⟩\sigma:\mathcal{T}\mapsto\langle q_{i_1},q_{i_2},\dots,q_{i_n}\rangle
  3. 链的形态$\langle\cdots\rangle$ 是序列符号，说明技能链强调顺序与依赖，而非无序集合。

技能接口

后厨墙上贴着统一的卡片格式：菜名、主料、前置条件（食材是否洗净、锅中油温是否到位）、输出成品（装盘后的状态）。所有技能卡都遵守同一张模板，主厨才能在一秒钟内找到“下一步该干什么”——这就是接口设计。机器人技能接口通常由三要素构成：输入状态描述、动作参数、预期输出效果。

前置条件与后置条件，是技能链能否串起来的“榫卯”。前置条件描述技能开始前世界必须具备的状态（给锅加热前必须有油），后置条件描述技能结束后世界的新状态（热锅完成后油温达到 180℃）。规划器正是通过匹配“前一个技能的后置条件 == 后一个技能的前置条件”来决定链条顺序。现实中条件往往不是精确相等的，因此引入了“条件满足度”阈值：近似满足即可执行，否则考虑插入辅助技能（如“再多等 10 秒”）。

参数化是接口设计的第二个关键。一个“抓取”技能不会写死“抓取 5 厘米的方块”，而是暴露参数：目标物体、抓取力、接近速度。这样同一个技能就能适配不同物体。参数由上层规划器在规划阶段填入，执行阶段技能只负责忠实执行。这如同鱼香肉丝和宫保鸡丁共用“滑炒”技能，只是调料配比参数不同。

把技能接口想成充电器的统一接口：Type-C 能充手机、耳机、电脑。机器人的技能接口就是机器人世界的 Type-C，统一了之后，不同团队开发的技能才能互相插拔、自由组合成新任务链。

Skilli=⟨Prei, Paramsi, Posti⟩,Prei⊆Posti−1\text{Skill}_i=\langle Pre_i,\ \text{Params}_i,\ Post_i \rangle,\quad Pre_i\subseteq Post_{i-1}
一个技能是前置条件、参数、后置条件的整体。技能链要求相邻技能首尾相接：前一个技能的后置条件，必须能覆盖后一个技能的前置条件。
  1. 技能三元组每个技能用尖括号声明三部分：$Pre_i$（本技能的前置条件集合）、$\text{Params}_i$（可配置参数）、$Post_i$（成功后的后置条件集合）。
    Skilli=⟨Prei, Paramsi, Posti⟩\text{Skill}_i=\langle Pre_i,\ \text{Params}_i,\ Post_i \rangle
  2. 串联条件符号 $\subseteq$ 表示“被包含”。$Pre_i\subseteq Post_{i-1}$ 读作：前一个技能的产出，能够覆盖本技能的需求——这就是技能链合法的根本判据。

技能链概念

当主厨接到“做一桌年夜饭”的订单，他不会同时把十二道菜倒进一口锅，而是按冷菜—热炒—炖汤—主食排出先后顺序。技能链就是这样一个有序序列：由多个基础技能按依赖关系串联，共同完成单一技能无法达成的复杂长程任务。链的起点是初始状态，终点是目标状态，中间每一个节点都是技能库中的一员。

技能链的“链”字强调顺序与状态传递。机器人在执行链时，每个技能完成后都会更新世界状态，这个状态又会成为下一个技能的前置条件判断依据。比如“移动至桌前→抓取水杯→放回托盘”，每一步都依赖上一步留下的结果。如果某个技能执行失败，状态不会自动更新，链条便在此处中断——这也是为什么链需要规划与监控，而非简单堆砌。

长程任务往往覆盖较长时间与空间，比如“整理整个卧室”或“装配一整套电路板”。直接学习“整屋整理”这种单一策略几乎不可行，但拆成技能链后，每个技能只需要负责一段较短时间窗口内的操作，大大降低了学习与控制的难度。这如同长篇小说的写作：与其一口气写完，不如按章节、段落、句子层层拆解。

年夜饭的菜单就是一条“菜谱链”：冷菜开胃、热菜主攻、炖汤收尾、主食管饱。机器人拿到新任务时，同样先问三个问题：我现在在哪一步？下一步用哪个技能卡？做完这一步会变成什么状态？想清楚这三问，技能链就立起来了。

τ=(s0, qk1, s1, qk2, s2, …, sn−1, qkn, sn)\tau = \big( s_0,\ q_{k_1},\ s_1,\ q_{k_2},\ s_2,\ \ldots,\ s_{n-1},\ q_{k_n},\ s_n \big)
技能链是一条交替出现的“状态—技能—状态”轨迹：机器人从初始状态 $s_0$ 出发，执行一个技能后进入新状态，再执行下一个技能，直到抵达目标状态 $s_n$。
  1. 初始状态$s_0$ 是任务开始时机器人感知到的全部世界状态，例如“食材在案板上，锅是冷的”。
    s0s_0
  2. 状态-技能交替$q_{k_1}$ 是从技能库中选出的第一个技能；执行后世界进入 $s_1$，如此交替展开。
    qk1, s1, qk2, s2q_{k_1},\ s_1,\ q_{k_2},\ s_2
  3. 终止状态$s_n$ 是目标状态，也是技能链是否成功的判据；括号整体构成一条完整轨迹 $\tau$。
    …, sn−1, qkn, sn\ldots,\ s_{n-1},\ q_{k_n},\ s_n

组合规划策略

年夜饭菜单不是主厨拍脑袋定的：要先考虑客人忌口（目标约束），再考虑灶台数量（资源约束），还要保证每道菜出锅时间差不超过两分钟（时序约束）。机器人在组合技能时，同样需要一个规划器：把任务目标拆解为子目标序列，然后为每个子目标挑选技能库中的技能。

规划的第一步是目标分解。将复杂总体目标拆成可验证的子目标：比如“准备年夜饭”分解为“切配完成”“汤品上锅”“热菜开炒”“全部上桌”。每个子目标都对应一条可检查的状态描述。第二步是技能选择：为每个子目标从技能库中选出能满足其前后置条件的技能。这一步很像在菜谱中检索：“需要把土豆变成丝”→ 检索到技能“切丝”。第三步是序列化与冲突消解：规划器将选出的技能按依赖排序，若发现两个技能争抢同一个资源，则在中间插入等待或替代技能。

实际执行时还可能遇到规划外的突发情况——肉丝切到一半发现刀钝了。此时不能硬切，系统需要动态回退：中断当前技能，从库中调用“磨刀”技能，再回到“切丝”。这种“回退—插入—重试”的机制，是技能链从纸上谈兵走向落地执行的关键支撑。

主厨在开工前会用几分钟在脑中“跑一遍菜单”：哪道菜先备料、哪道菜可以同时开火、哪道菜需要提前炖上。这套脑内推演就是机器人的规划器——它不直接掌勺，但决定了整桌菜的成败。

\pi^\* = \mathop{\arg\max}_{\pi \in \Pi} \ \mathbb{P}\big(\text{Success} \mid \pi,\ s_0\big),\quad \pi=\langle q_{a_1},\dots,q_{a_n}\rangle
规划器的目标是在所有候选技能序列中找到“成功概率最高”的那一条。$\pi^\*$ 表示最优技能链。
  1. 候选集合$\Pi$ 是所有满足前后置条件约束的技能序列集合；$\pi$ 是其中任意一条链。
    π∈Π\pi \in \Pi
  2. 条件概率$\mathbb{P}(\text{Success} \mid \pi, s_0)$ 表示“在初始状态为 $s_0$ 的条件下，执行链 $\pi$ 成功的概率”。
    P(Success∣π, s0)\mathbb{P}\big(\text{Success} \mid \pi,\ s_0\big)
  3. 最优链$\arg\max$ 是取使括号内概率最大化的那条链，记为 $\pi^\*$；$\pi=\langle q_{a_1},\dots,q_{a_n}\rangle$ 给出最优链的具体形式。

编排执行对比

计划定得再好，厨房里真正开火时仍需要一位大厨统筹：谁先下锅、谁在焯水时要同时调汁、谁装盘后要找服务员上桌。这个“临场调度”的角色就是编排层。规划器负责提前排好顺序，编排器负责在实际执行中处理并发、监控状态、响应异常。

行为树（Behavior Tree）是编排层常用的方法之一：它把技能组织成一棵带优先级的树，根节点向下派发任务，叶子节点是具体技能。树的选择节点（Selector）可以在主技能失败时自动转向备用技能，如同“肉丝炒糊了就换一盘新肉丝重新炒”。行为树的优势是模块化与可复用性极高，很受游戏 AI 与机器人社区青睐。

另一种经典方法是状态机（Finite State Machine）：机器人处于“等待”“执行中”“完成”“异常”等有限状态，事件驱动状态迁移。状态机直观、时序严格，适合流程固定的任务；但一旦任务多变，状态图会膨胀为“状态爆炸”。类似用流程图描述年夜饭，如果不加抽象，同一桌菜要画十几张纸。编排层还负责与感知模块对接：实时读取传感器数据，判断技能的后置条件是否满足，不满足则触发重试或回退。

好的编排层就像经验丰富的大厨：一眼扫过灶台就知道“东边茄子还没炸透、西边汤要溢锅了”，立刻调整火候。机器人编排层也是实时盯着状态流，确保技能链不仅“排得对”，而且“跑得稳”。

M=⟨S, sinit, E, δ⟩,δ:S×E→S\mathcal{M} = \langle S,\ s_{init},\ E,\ \delta \rangle,\quad \delta: S \times E \rightarrow S
状态机用一个四元组描述：状态集合、初始状态、事件集合与状态转移函数。事件驱动系统在状态之间跳转。
  1. 四元组$S$ 是全部状态（如等待、执行、异常）；$s_{init}$ 是初始状态；$E$ 是可能发生的事件（如传感器触发、技能完成信号）。
    M=⟨S, sinit, E, δ⟩\mathcal{M} = \langle S,\ s_{init},\ E,\ \delta \rangle
  2. 转移函数$\delta$ 读作“给定当前状态和一个事件，系统转入的新状态”。例如“执行中 + 完成事件 → 下一技能态”。
    δ:S×E→S\delta: S \times E \rightarrow S

应用与未来

技能库与技能链不是实验室里的花架子。在汽车工厂，一台机械臂可以用“定位—抓取—放置—拧紧”四条技能链装配不同型号的仪表盘；在家庭服务场景，扫地机器人把“识别地面—避障—清扫—回充”串成完整任务；在物流分拣中心，包裹通过“识别标签—抓取—转传送带—扫码登记”的技能链被送往正确通道。这些场景的共同点是：任务数量无穷，但基础技能有限——技能库让系统的知识边界清晰，技能链让复杂任务变成可复现的流程。

未来的方向是从“固定技能链”走向“动态生成的技能链”。传统技能链由工程师手工编排，新增一种产品就要新编一条链；而大模型赋能的技能推理可以直接根据一次性文本指令（“把桌上的红苹果放到蓝色托盘里”）生成技能序列并填充参数。另一条路线是持续学习：机器人在执行链的过程中遇到新情境，自动产生新技能并写入技能库，让库越用越大、链越用越聪明。

具身智能的终极图景，是机器人不再为每个任务单独编程，而是像主厨一样：库中装满基本功，头脑里装着组合逻辑，面对任何一张陌生菜单都能现场拆解、即兴成链。

主厨不会因为年三十的菜单复杂而慌张，因为他知道：菜单是死的，手艺是活的。机器人同样如此——技能库保证“手艺”得以沉淀，技能链保证“菜单”可以被不断改写。未来的人机协作厨房里，机器人将是那位永不疲倦的副厨。

\lim_{t\to\infty} |\mathcal Q_t| = \infty,\quad \lim_{t\to\infty} \text{SuccessRate}(\pi^\*_t)=1
这是对未来技能库的理想化描述：技能库规模趋于无穷大，规划出的最优技能链成功率趋于 1。虽不可能真正到达，却指引着研究不断逼近。
  1. 库规模$|\mathcal Q_t|$ 表示时刻 $t$ 技能库中技能的数量；极限为无穷，说明技能库应当越来越丰富。
    lim⁡t→∞∣Qt∣=∞\lim_{t\to\infty} |\mathcal Q_t| = \infty
  2. 成功率$\text{SuccessRate}(\pi^\*_t)$ 是当前最优技能链的成功率；极限为 1，说明系统越来越可靠。
    \lim_{t\to\infty} \text{SuccessRate}(\pi^\*_t)=1

技能学习演进

技能库从无到有，如同学徒从一张白纸到满身手艺，靠的是源源不断的学习。模仿学习（Imitation Learning）是最直观的路径：人类示教一遍“拧螺丝”的动作，机器人通过视觉与力觉数据提取关键轨迹，存入技能库。这像徒弟看师傅演示一遍颠勺，然后自己反复练习直至肌肉记忆成型。

强化学习（Reinforcement Learning）则是让机器人在仿真与真实环境中自行探索，以任务成功率为奖励信号，找到高概率成功策略后固化为技能。机器人先乱试，再筛选出“这一招成功率最高”的动作模式。这类技能往往带有很强的环境特异性，需要泛化调参，因此技能库中的每个技能都应当记录其适用的条件范围。

最前沿的交互式构建，把人类拉回技能创作的循环中：通过自然语言、手势甚至远程操控，人类可随时向机器人“口述”新技能，机器人将其转成可执行的技能模板并自动校验前后置条件。这对应主厨训练新帮手：先口述要点，助手试做，主厨尝一口再纠正——直到新菜品做法成为后厨标准卡片。

技能学习的演进，本质上是让技能库从“别人给的”走向“自己攒的”。当机器人能通过模仿、试错和对话不断扩充自己的卡片盒，技能链的想象力便不再受限于工程师手工编写——它会自己长出新的菜单。

J(θ)=Eτ∼pθ[R(τ)]J(\theta)=\mathbb{E}_{\tau \sim p_\theta}\big[ R(\tau) \big]
强化学习的目标函数：在不同的技能参数 $\theta$ 下，最大化轨迹 $\tau$ 的期望总回报 $R(\tau)$。学到的技能最终沉淀为技能库中的一张新卡片。
  1. 期望运算$\mathbb{E}$ 表示对所有可能的执行轨迹求平均；$\tau$ 是一次从开始到结束的操作轨迹。
    Eτ∼pθ\mathbb{E}_{\tau \sim p_\theta}
  2. 总回报$R(\tau)$ 是轨迹 $\tau$ 的成功评分（如任务完成得 1 分，失败得 0 分）。整个公式 $J(\theta)$ 衡量的是“这套技能参数有多好”。
    J(θ)=Eτ∼pθ[R(τ)]J(\theta)=\mathbb{E}_{\tau \sim p_\theta}\big[ R(\tau) \big]

AI 应用场景

工业柔性装配

阶段：技能库构建 + 技能链规划

解决的问题：传统工业机器人每换一个产品型号，就要重新示教一遍运动轨迹，调试周期以周计。AI 技能库将“抓取”“定位”“插入”“拧紧”固化为通用技能，切换型号时只需重新规划技能链并在接口处填入新参数（目标坐标、扭矩），调试时间缩短到小时级。

具体案例：某电子制造厂的机械臂同时装配三种手机后盖。工程师通过拖拽示教定义了 6 个基础技能，再为每种型号生成一条不同的技能链。当某型号的螺丝孔位置改版时，只需修改“拧紧”技能的参数配置，无需改动其他技能卡。

家庭服务机器人任务编排

阶段：技能链编排执行

解决的问题：家庭环境高度非结构化，固定程序无法应对“桌子上有未擦干的碗筷”这类突发状态。技能库配合编排层，让机器人实时检查技能前置条件，不满足时动态插入“擦干”技能，从而提升长程任务成功率。

具体案例：一台家务机器人被指令“收拾餐桌”。它规划出链条“定位桌面→分类餐具→收碗筷→擦桌”，执行到“分类餐具”时传感器检测到有汤渍，编排层立刻插入“湿巾擦拭”技能，再回归原链继续执行。

物流分拣技能复用

阶段：技能迁移学习 + 技能链规划

解决的问题：物流分拣的包裹形状、尺寸、软硬程度各异，为每一种包裹编写专用抓取策略不可持续。技能库将“吸取”“夹取”“托举”三种抓取技能参数化，规划器根据视觉识别的包裹属性自动选择合适的技能，并串成“识别→抓取→放置→校验”链。

具体案例：某大型仓库的分拣机械臂在“双十一”期间遇到大量异形件（软袋、罐装、纸质盒）。系统依靠技能参数化与动态链生成，将异形件分拣成功率从 78% 提升至 94%。

Python 演示

python80 行
class Skill:    def __init__(self, name, pre, post, params=None):        self.name = name        self.pre = set(pre)        self.post = set(post)        self.params = params if params else {}     def check(self, state):        return self.pre.issubset(state)     def apply(self, state):        state |= self.post        print('  [技能] ' + self.name + ' 执行完毕: ' + str(sorted(state)))        return state  class SkillLibrary:    def __init__(self):        self.skills = {}     def register(self, skill):        self.skills[skill.name] = skill        print('技能库新增: ' + skill.name)     def get(self, name):        return self.skills.get(name)     def contains(self, name):        return name in self.skills  class SkillChain:    def __init__(self, name):        self.name = name        self.steps = []        self.executed = []        self.ok = False     def add(self, skill_name):        self.steps.append(skill_name)        return self     def run(self, library, state):        cur = set(state)        print('\n任务[' + self.name + '] 开始, 初始状态: ' + str(sorted(cur)))        for step_name in self.steps:            skill = library.get(step_name)            if skill is None:                print('  [中断] 技能库中没有' + step_name)                return False            if not skill.check(cur):                need = skill.pre - cur                print('  [拦截] 前置条件不满足，缺少: ' + str(sorted(need)))                return False            skill.apply(cur)            self.executed.append(step_name)        self.ok = True        print('任务完成: ' + self.name)        return True  def main():    lib = SkillLibrary()    lib.register(Skill('切丝', {'土豆'}, {'土豆丝'}))    lib.register(Skill('焯水', {'土豆丝'}, {'熟土豆丝'}))    lib.register(Skill('热锅', {'锅'}, {'油温180'}))    lib.register(Skill('滑炒', {'熟土豆丝', '油温180', '调料'}, {'菜'}))     chain = SkillChain('炝炒土豆丝')    chain.add('切丝').add('焯水').add('热锅').add('滑炒')    ok = chain.run(lib, {'土豆', '锅', '调料'})    print('最终状态: ' + ('成功' if ok else '失败'))     chain2 = SkillChain('缺少调料的版本')    chain2.add('切丝').add('焯水').add('滑炒')    chain2.run(lib, {'土豆', '锅'})  if __name__ == '__main__':    main()
目的：用 Python 模拟机器人技能库与技能链的核心机制——技能注册、前置条件校验、按序执行与失败拦截。
  1. class Skill:技能卡模板：名称、前置条件、后置条件、参数，是技能库的最小单元。
  2. pre.issubset(state)检查当前世界状态是否满足前置条件，对应主厨确认“食材是否洗净、油温是否到位”。
  3. SkillLibrary.register把技能放入技能库，建立“技能名 → 技能卡”的索引。
  4. SkillChain.add向任务链中追加一步，返回 self 以支持链式调用。
  5. skill.apply(cur)技能执行后，把后置条件并入世界状态，驱动世界往目标演化。
  6. skill is None防护规划器引用不存在的技能，避免“照着菜谱做但卡上没这个菜”。

常见误区

误区技能库不就是把所有动作代码堆在一个文件夹里吗？和其他工具库没什么区别。

正解技能库的核心不是“存储”，而是“标准化的可组合性”。每张技能卡必须声明前后置条件与参数，如同每张菜谱必须写清主料和火候，否则主厨无法判断何时能上这道菜。没有接口约定的技能堆，只是脚本碎片；有了接口约束，技能才能被规划器编排成链。

为何常见：多数人接触的代码库里函数封装没有严格的“状态前提”声明，容易把机器人的技能库等同于普通软件库。

误区只要动作执行得对，接口文档写不写无所谓，反正都是自己人用。

正解技能链规划的合法性完全依赖接口三要素（前后置条件、参数）。少了前置条件，规划器无法判断“何时能调用该技能”，链条可能在运行时断裂；少了后置条件，后续技能无法判断成果是否达成。接口不是文档，而是规划算法的计算输入。

为何常见：小规模演示中，技能数量少，人脑可以直接记住步骤，容易低估接口的价值；技能一多，接口缺失立刻导致组合混乱。

误区技能链就是在任务开始前把技能列表写死，中途不能改变，否则就不叫“链”。

正解实际系统中技能链通常由规划器动态生成，并在执行中不断被编排层修正。前置条件不满足时插入新技能、执行失败时回退重试，都是常态。链的本质是“有依赖关系的序列”，不是“不可变数组”。

为何常见：受“流水线”直觉影响，人们习惯把链想象成固定的传送带，忽略了现代规划与编排的动态能力。

误区规划器已经排好了顺序，执行时按顺序跑完即可，不需要另一个“编排层”。

正解规划器处理的是“抽象状态与逻辑”，编排层处理的是“真实世界中物理执行、并行调度与异常响应”。主厨提前排好菜单（规划），上灶时仍需根据火候、材料实际状态临场调度（编排）。两者一前一后，缺一不可。

为何常见：简单的仿真 demo 中，执行总是按计划成功，掩盖了感知噪声、硬件抖动等真实世界问题。

误区技能库越大，机器人就越聪明，所以应该尽可能多地收录动作。

正解技能的边际价值递减且引入选择成本：技能过多会让规划器的检索与条件匹配变慢，相似技能还会造成混淆。好的技能库像精简的菜单——每个技能覆盖一块清晰的“能力区域”，宁缺毋滥。必要的更新优先放在参数化与技能版本管理上，而非无限堆技能。

为何常见：直觉上“更多=更强”，但忽略了机器人在有限算力与噪声条件下做决策的实际代价。

面试题

Q1. 主厨的技能卡类比到机器人中，最贴近下列哪个概念？

单选题 · easy

  • A.一条完整的做饭流程
  • B.一个标准化的基础操作单元← 正确答案
  • C.一台炒菜机器人的整机系统
  • D.一张菜品的成品照片

答案：B。技能卡对应技能库中的“基础操作单元”，如切丝、颠勺，它是模块化、可复用的最小功能片段。完整流程是技能链，整机系统是整个厨房，成品照片是目标状态描述，均不符。

Q2. 技能接口三要素指的是哪三项？

单选题 · easy

  • A.名称、颜色、重量
  • B.输入状态、参数、输出状态← 正确答案
  • C.电机、传感器、控制器
  • D.速度、加速度、力矩

答案：B。技能接口三要素是前置条件（输入状态）、可配置参数、后置条件（输出状态）。选项 A 是物理属性，C 是硬件组件，D 是运动参数，均不构成接口的“组合契约”。

Q3. 当机器人执行技能链时，前置条件检查失败，正确做法是？

单选题 · mid

  • A.强制执行该技能
  • B.绕过该技能继续执行后续
  • C.触发回退或插入辅助技能← 正确答案
  • D.直接终止整个任务

答案：C。前置条件不满足时，编排层应尝试插入辅助技能或回退到可满足前置的状态，以提升任务成功率。强制或跳过会破坏状态一致性，直接终止则过于僵化。

Q4. 行为树相比状态机的突出优势是什么？

单选题 · mid

  • A.状态数量更少
  • B.天然支持优先级与失败回退← 正确答案
  • C.不需要感知模块
  • D.不需要技能库

答案：B。行为树通过选择节点与顺序节点天然表达优先级和失败回退逻辑，模块复用性强。状态机同样需要感知且状态可能膨胀；行为树也不能脱离技能库与感知存在。

Q5. 下列哪些属于技能库中技能的学习方式？

多选题 · mid

  • A.模仿学习← 正确答案
  • B.强化学习← 正确答案
  • C.交互式构建← 正确答案
  • D.随机数生成

答案：ABC。模仿学习从人类示教提取技能，强化学习从试错中优化技能，交互式构建借助语言或遥操作录入技能。随机数生成不是有效的技能学习机制，无法保证可执行性与一致性。

Q6. 技能链要合法串联，两个相邻技能必须满足哪些关系？

多选题 · mid

  • A.前一技能名称更长
  • B.前技能后置条件覆盖后技能前置条件← 正确答案
  • C.两个技能执行时间相同
  • D.状态能够从前技能平滑传递到后技能← 正确答案

答案：BD。合法串联的本质是状态传递：前技能的后置条件覆盖后技能的前置条件，使世界状态平滑过渡。名称长度与执行时间不是合法性判据。

Q7. 给定 Pre_i ⊆ Post_{i-1}，若某技能链中第 $i$ 步不满足该式，说明什么？

单选题 · hard

  • A.技能库缺少第 $i$ 个技能
  • B.第 $i$ 个技能的前置条件无法由其前序技能保证← 正确答案
  • C.第 $i$ 个技能的参数太复杂
  • D.执行层发生了硬件故障

答案：B。该包含关系表示“前序产出覆盖本技能需求”。不满足时，说明链在逻辑上断开了：本技能所需状态没有来源。这与库中是否缺技能、参数复杂度、硬件故障无直接关系。

Q8. 编排层在技能链执行过程中承担哪些职责？

多选题 · hard

  • A.实时监控执行状态← 正确答案
  • B.触发重试与回退机制← 正确答案
  • C.感知传感器信号并判断后置条件← 正确答案
  • D.决定技能内部的控制参数

答案：ABC。编排层负责监控、异常处理和后置条件判断，属于“临场调度”。技能内部的运动控制参数由技能自身或规划参数决定，不在编排层的核心职责中。

Q9. 大模型赋能的“动态技能链生成”最核心的改进是什么？

单选题 · hard

  • A.让技能链不再需要前置条件
  • B.根据语言指令即时生成技能序列← 正确答案
  • C.用更大的技能库替代所有算法
  • D.让机器人完全不需要学习

答案：B。大模型将自然语言任务描述转化为技能序列并填充参数，省去人工编排流程。但技能链依然需要前置条件、仍需技能库支撑，也无法取代基础的学习机制，排除其余选项。

Q10. 智能厨师的比喻中，“替代技能”最贴合机器人技能库中的哪种操作？

单选题 · extreme

  • A.前置条件不满足时，用“焯水”替代“滑炒”
  • B.现有技能失败时，插入冷却、重切等回退技能← 正确答案
  • C.将技能库中所有技能重新排序
  • D.把参数从一个技能复制到另一个技能

答案：B。替代技能发生在主技能因条件不满足或失败时，插入一个能够恢复状态或改走路径的备选技能，如“刀钝了就插入磨刀”。选项 A、C、D 描述的是替换策略、全局重排和参数复制，不是替代技能的核心语义。