具身智能进入“下半场”：拉格朗日用 Agentic OS 和工序重构推动任务闭环

事件概述

近日，两台轮式双臂机器人、一只机器狗和一台 AGV 被投入汽车物流产线，进行至少一个月的连续调试。三种设备围绕同一条任务链路运转：一台机器人做零件分拣上料，另一台做满箱搬运和空箱回收，机器狗和 AGV 负责运输与调度。这套系统不是先定工位再塞机器人，而是从工厂真实任务出发，重新拆解工序、排序技能、设计调度逻辑，并以“任务结果有没有被验证”作为核心评判标准。

核心信息

• 行业热度与落地落差：上半年国内具身智能融资额达935亿元，是去年同期5倍，超过去年全年总量；融资事件322笔，同比增长137%。但头部企业人形机器人出货量刚过万台，全年预计难超10万台，商业化投入占比仅约三成。仿真环境里成立的“判断—指令—执行—完成”链路进入工厂后，会出现设备回执不等于现场结果、单机动作跑通不等于跨设备链路闭环等问题；面对来料偏移、上游堵线、传感器丢帧等异常，多数系统只能停下来等人。

• Agentic OS：拉格朗日自研的 Agentic OS 负责统一环境状态感知、机器人技能调度、安全边界约束、运行记录和人工接管机制。Agent 按“理解场景→组织技能→观察结果→判断偏差→恢复或继续”的循环推进，直到业务目标被验证，而不是命令被下发。每一次成功、失败和恢复都会被记录为可复盘的任务日志，用于后续系统优化。

• 分层智能架构：团队认为不能让开放式大模型直接成为工业执行器，原因是工业现场实时性要求高，云端大模型推理延迟会拖垮节拍，且大模型幻觉可能损毁工件或伤人。因此采用分层架构：高层 Agent Harness 组织通用模型、Coding Agent 与评测工具，基于真实执行反馈持续演进；现场 Agentic Runtime 负责任务编排、状态监控与异常恢复；设备侧专用模型、技能和控制系统负责实时执行，守住精度、节拍与安全边界。团队还认为，最有价值的数据是真实场景跑出来的测试数据，训练集和真实世界之间的 gap 才是系统失效的真实位置。

• 工序重构：现有工位、工具、操作流程都围绕人体设计，机器人直接适配受限；传统自动化设备常因车型频繁变更陷入“调试死循环”。解法不是让机器人更像人，而是重新设计工艺，让机器人以自己的方式完成同一生产目标。以拧螺丝为例，人工一气呵成，机器人方案先预紧到四五十牛，再由专门枪阵对所有螺栓整体拧紧，降低机械臂负载。文章还以1880年代电气化后美国制造业经历“先换电机、后改布局”的滞后期，说明工厂围绕新动力重新组织工艺后生产效率才出现质变。

• 技能矩阵与时间线：拉格朗日把制造操作归纳为十几种通用技能的组合，按“机器人实现难度”和“汽车装配使用占比”排序，开发顺序从右下角往左上角推，即先做频次最高、难度最低的技能。排序中，抓取、简单放置、搬运最基础；拧紧是此后的最高优先级，占汽车装配工序70%以上，动作逻辑一致、泛化性强；再往后是卡接（精度5毫米内）、接插（线束两端活动）、密封条按压（力觉触觉要求高，视为现阶段技术天花板）。这张矩阵把模糊的行业方向转成可排期的工程计划：当前进厂只做抓取、放置、搬运；年底验证精度放置；明年上半年逐步引入拧紧操作。

• 实证案例：全景天窗安装的产品设计精度要求0.15毫米，机器人累积精度仅0.25毫米，纯堆精度不可行；靠工艺方案，核心团队此前打造了全球首套不停线安装全景天窗的方案，已在极氪工厂稳定运行超两年。内部测试中，搬运场景人效从约40%提升至70%—80%，整体系统效率接近翻倍。当前计划是完成长稳调试后，再逐步进入长期部署。

值得关注

行业叙事仍集中在“模型更强、本体更灵巧”，例如 Figure 在宝马工厂装填钣金、Physical Intelligence 坚持不造本体、英伟达发布 GR00T N2 世界动作模型。拉格朗日选择的是另一条路径：让机器人真正把活干完。它留下的核心悬念是：当技能泛化、模型端到端控制成熟时，系统层和工序重构的价值边界在哪里。