更少的词元，更好的行动：GPT-6 Astra 机器人Agent的成功率提高了 14%，但词元减少了 65%

视觉语言模型（VLM）Agent可以通过视觉反馈和动作原语控制机器人，但重复的模型调用和冗余观察会产生大量的词元开销。我们引入了 PyRUA-Lean，一个交互式代码执行框架，它将反馈驱动的基元组合与选择性观察结合起来：Agent将经典的机器人基元和学习的视觉语言动作（VLA）策略组合到执行条件检查和本地重试的 Python 单元中，仅返回明确请求的图像和状态反馈以进行重新规划。在 LIBERO-PRO、RoboTwin 2.0 和 RoboCasa365 的 700 个模拟任务实例中，我们使用相同的 GPT-6 Astra 规划器和底层机器人原语将 PyRUA-Lean 与工具调用基线进行比较。在同等的 LLM 呼叫预算下，PyRUA-Lean 将总体成功率从 63.1% 提高到 71.7%。在两个Agent解决的实例上，它使用的 LLM 调用减少了 49%，输入词元减少了 65%。