上一篇我们谈到，通用 Agent 可以为具身智能补充更广泛的理解与组合能力。
但具身 Agent 到底是什么？它和常见的 Planner＋VLA，又有什么区别？
一、Planner＋VLA 仍然是一条单向执行链
Planner＋VLA 的基本逻辑是：
接收任务 → 分解任务 → 调用 VLA → 输出动作。
它解决的是“复杂任务如何拆成多个动作”，但整套流程仍然默认：计划是正确的，动作也会按照预期执行。
问题在于，物理世界不会完全按照计划运行。
机械臂可能没有抓住物体，物体可能在执行中发生位移，原本可行的路径也可能突然被遮挡。
如果执行以后不能重新观察和调整，那么 Planner 只是让机器人拥有了计划，还没有让它成为 Agent。
二、具身 Agent 是围绕现实目标运行的闭环
具身 Agent 关注的不是“有没有输出动作”，而是“现实目标有没有完成”。
它需要持续围绕目标运行：
理解状态 → 调用能力 → 执行动作 → 检查结果 → 继续或调整。
因此，我更愿意这样定义：
具身 Agent，是能够围绕现实目标，根据环境和执行结果持续调整行为的智能体。
例如，让机器人把黑色碗放进木托盘。Planner 可以生成“找到碗、抓取、移动、放下”的计划。
但如果机器人没有抓住碗，继续执行后面的动作就没有意义。具身 Agent 会检查抓取结果，再决定继续、重试或者调整方法。
所以：
Planner 解决“准备怎么做”，具身 Agent 解决“如何根据现实反馈，把事情真正做完”。
三、具身智能应该从模型中心走向系统中心
过去，具身智能主要围绕一个问题展开：
能不能训练出一个模型，直接从观察和指令生成正确动作？
具身 Agent 关注的问题则是：
如何让整个系统根据现实反馈持续调用不同能力，最终完成目标？
这并不意味着模型不再重要，而是模型在系统中的位置发生了变化。
现有研究已经开始沿着这条路线推进。下面列举三个 2026 年的代表性工作：
- 2026 年 6 月，NVIDIA Research 发布 Vesta，把规划、工具调用和多模态记忆接入低层机器人模型。【1】
- 2026 年 7 月，以清华大学为主的团队发布 Harness VLA，将冻结的 VLA 作为可以重试的操作能力，由 Agent 结合记忆和其他工具持续调整。【2】
- 2026 年 9 月，以浙江大学为主的团队发布 EmbodiedSkills，在技能执行前检查条件，并在执行后验证结果。【3】
这些路线并不完全相同，但都指向同一个变化：具身智能正在从模型中心走向系统中心。
在前面讨论的 Planner＋VLA 架构中，VLA 仍是中心，Planner 负责为它提供执行计划。而在具身 Agent 架构中，系统围绕现实目标组织规划、记忆和工具调用，VLA 是其中一种能力；系统根据执行结果决定继续、重试或调整。
区别不仅在于有没有反馈闭环，更在于从围绕模型安排计划，转向由系统组织能力、持续完成目标。
下一篇，我们继续讨论：为什么同一个 VLA 放进具身 Agent 系统以后，可以完成更多任务。
引用与来源
【1】Vesta: A Generalist Embodied Reasoning Model
NVIDIA Research
【2】Harness VLA: Steering Frozen VLAs into Reliable Manipulation Primitives via Memory-Guided Agents
arXiv:2607.08448
【3】EmbodiedSkills: A Unified Framework for Orchestrating, Training, and Deploying VLA Agents
arXiv:2609.01281
聊聊这篇文章