通过 编码智能体 进行基于契约的行为树合成

从自然语言 (NL) 合成可部署的机器人行为树 (BT) 需要与实际技能对齐，以确保每个生成的 BT 只引用机器人实际可以执行的技能。现有的基于 LLM 的 BT 合成方法通常将这种技能对应的校验责任置于提示作者身上。当作者不知道机器人可以执行哪些技能、这些技能如何参数化或者机器人运行时软件如何限制有效的 BT 结构时，这使得部署变得脆弱。本文提出了一种基于合约的 BT 合成架构，其中 编码智能体 查询机器人端模型上下文协议（MCP）服务器以检索由技能库、允许的 BT 操作员和可选 BT 合成模板组成的显式合约，然后再合成 BT 进行验证和执行。在我们的框架中，非专家操作员在不了解机器人实现细节的情况下发出 NL 命令，而机器人运行时验证门会在执行前强制执行正确性。我们在 PyRoboSim 中的 110 个模拟任务和物理 Husarion Panther 机器人上的 14 个任务中评估了两个 LLM，一个封闭模型 (Sonnet 4.6) 和一个较小的开源模型 (Gemma4:31b)。结果表明，基于技能契约的动作约束可实现近乎完美的 BT 验证和较高的任务成功率，BT 组合模板在较小模型的反应性控制流任务上基本上恢复了成功，并且该架构转移到运行对操作员和代理均不透明的 Nav2 堆栈的物理硬件。