过去几年，LLM模型和VLM模型发展得非常快。尤其是在2020年ChatGPT发布GPT-3之后，大家越来越清楚地看到，模型在语言理解、知识调用、常识推理，甚至跨任务泛化上，已经具备了很强的能力。也正因如此，一个很自然的问题开始出现：如果模型已经这么“聪明”，那它能不能进一步走出数字世界，真正去理解环境、操作物体、完成任务？而目前传统的机械臂控制通常遵循分层式技术路线，其核心思想是将“感知—规划—

过去几年，LLM模型和VLM模型发展得非常快。尤其是在2020年ChatGPT发布GPT-3之后，大家越来越清楚地看到，模型在语言理解、知识调用、常识推理，甚至跨任务泛化上，已经具备了很强的能力。也正因如此，一个很自然的问题开始出现：如果模型已经这么“聪明”，那它能不能进一步走出数字世界，真正去理解环境、操作物体、完成任务？而目前传统的机械臂控制通常遵循分层式技术路线，其核心思想是将“感知—规划—

过去几年，LLM模型和VLM模型发展得非常快。尤其是在2020年ChatGPT发布GPT-3之后，大家越来越清楚地看到，模型在语言理解、知识调用、常识推理，甚至跨任务泛化上，已经具备了很强的能力。也正因如此，一个很自然的问题开始出现：如果模型已经这么“聪明”，那它能不能进一步走出数字世界，真正去理解环境、操作物体、完成任务？而目前传统的机械臂控制通常遵循分层式技术路线，其核心思想是将“感知—规划—

过去几年，LLM模型和VLM模型发展得非常快。尤其是在2020年ChatGPT发布GPT-3之后，大家越来越清楚地看到，模型在语言理解、知识调用、常识推理，甚至跨任务泛化上，已经具备了很强的能力。也正因如此，一个很自然的问题开始出现：如果模型已经这么“聪明”，那它能不能进一步走出数字世界，真正去理解环境、操作物体、完成任务？而目前传统的机械臂控制通常遵循分层式技术路线，其核心思想是将“感知—规划—

—GufaForge 只在做"规划"这件事，它产出的不是代码，是一张可执行的蓝图。这份 MD 就是你递给 AI Agent 的"从八十分开始的起点"。Agent 拿到它，看到的不是"你从零实现一个 XX"，而是"这里有 80% 的骨架，请按清单把剩下 20% 的胶水代码补完"。

—GufaForge 只在做"规划"这件事，它产出的不是代码，是一张可执行的蓝图。这份 MD 就是你递给 AI Agent 的"从八十分开始的起点"。Agent 拿到它，看到的不是"你从零实现一个 XX"，而是"这里有 80% 的骨架，请按清单把剩下 20% 的胶水代码补完"。

—GufaForge 只在做"规划"这件事，它产出的不是代码，是一张可执行的蓝图。这份 MD 就是你递给 AI Agent 的"从八十分开始的起点"。Agent 拿到它，看到的不是"你从零实现一个 XX"，而是"这里有 80% 的骨架，请按清单把剩下 20% 的胶水代码补完"。

—GufaForge 只在做"规划"这件事，它产出的不是代码，是一张可执行的蓝图。这份 MD 就是你递给 AI Agent 的"从八十分开始的起点"。Agent 拿到它，看到的不是"你从零实现一个 XX"，而是"这里有 80% 的骨架，请按清单把剩下 20% 的胶水代码补完"。