为什么需要这个？

你让 AI 助手帮你分析 VLA 论文，它给你一堆正确但没用的废话。你问它方向判断，它两边都说好。

问题不是 AI 不够聪明，是它没有领域知识 + 没有判断框架。

VLA Expert Skill 解决这两件事：

注入 328+ 篇论文的压缩知识——不是摘要，是拆解后的工程细节、架构选择、训练配方
强制三视角对抗辩论——🔴 看多 / 🔵 看空 / 🟢 套利，每个判断都被交叉攻击

研究表明（AI-Augmented Predictions, 2024）：即使有偏差的 AI 也能让人类预测准确率 +29%。机制不是"AI 更准"，而是强制你重新思考。

Demo：安装前 vs 安装后

你问：「Diffusion Policy 和 Flow Matching 哪个更好？」

	普通 AI 助手	装了 VLA Expert Skill
回答	"两者各有优劣，Diffusion 更成熟，Flow Matching 更新…"（正确的废话）	🔴 Bull：FM 在 π0 上 5-20 步推理达 50Hz，工程上已胜出 `[信号: §2]`🔵 Bear：FM 在高维双臂任务上的多模态覆盖不如 Diffusion `[推断]`🟢 Arbiter：79% 置信度选 FM（校准后 71%）。致命实验：如果 6 个月内出现 Diffusion 在 bimanual 上显著胜出的对比实验，降至 60%。

它能做什么

你的问题	回应模式	AI 做什么
"π0.6 用了什么架构？"	🔍 事实查询	直接从 328 篇论文记忆中查找，2-5 句
"Diffusion vs Flow Matching？"	⚖️ 对比	对比表格 + Bull/Bear 辩论 + 校准判断
"帮我看这篇 VLA 论文"	📄 论文评估	信息价值快筛 → 三视角辩论 → 信念更新
"VLA 下一步该投什么方向？"	🎯 方向判断	完整辩论 + 致命实验 + 逆共识 + 时间套利
"怎么在 FR3 上部署 π0？"	🔧 部署	步骤 + 硬件选型 + 常见坑（来自 300+ 社区笔记）
"Physical Intelligence 怎么样？"	💼 产业	竞争定位 + 护城河 + 风险矩阵
"VLA 面试怎么准备？"	🎤 面试	结构化答案 + 高频考点
"我半年没关注了，有什么变化？"	📰 追赶	时间线叙事：旧共识 → 新共识

知识覆盖

知识来自 VLA-Handbook（⭐100+）——全中文、工程实战导向的 VLA 知识库。

模型架构演化     RT-1 → RT-2 → Octo → OpenVLA → π0 → π0.5 → π0.6
动作生成三范式   Diffusion Policy · Flow Matching · FAST Tokenization · 自回归
训练范式        Behavior Cloning · Co-training · RL Post-training · 自我改进闭环
World Model    Cosmos · 视频预测 · 物理仿真 · 决策辅助
触觉 & 多模态   TacVLA · 视触融合 · 力反馈 · 本体感觉
部署实战        300+ 中英文社区踩坑笔记 · 真机部署指南 · Sim-to-Real
产业格局        PI($2.4B) · Figure · Tesla Optimus · NVIDIA GR00T · 智元 · 宇树 · Rhoda AI($4.5B)
信念追踪系统     10 条校准信念（含逆共识） · 5 个收敛 Phase · 致命实验截止日

内置的纪律（不只是知识库）

普通 RAG 只是"检索+回答"。这个 Skill 有严格的认知纪律：

机制	做什么	为什么
来源分级	每个论点标 `[信号]` / `[推断]` / `[投注]`	你知道哪些是硬数据、哪些是推测
谦逊折扣	>80% 置信度自动 ×0.9	LLM 在高确定性区间系统性过度自信 (ForecastBench)
保守偏误修正	强证据最小更新 ±5%，共识更新 ±10%	LLM 信念更新幅度系统性不足 (EvolveCast)
推翻条件	每个判断附带"什么能推翻 + 截止日期"	不可证伪 = 无效判断
防幻觉	记忆中没有就说"未记录"，不编造	具体的错误数字比承认不知道更有害

安装

Note: 安装方式因平台而异。Claude Code 和 Cursor 通过文件复制，Codex 和 OpenCode 通过让 AI 自行获取指令。

Claude Code / Cowork

git clone https://github.com/sou350121/VLA-expert-skill.git
cp -r VLA-expert-skill/skill/ your-project/.claude/skills/vla-expert/

Cursor

git clone https://github.com/sou350121/VLA-expert-skill.git
mkdir -p .cursor/rules
cp VLA-expert-skill/platforms/cursor/.cursorrules .cursor/rules/vla-expert.md
cp VLA-expert-skill/skill/references/VLA_EXPERT_MEMORY.md docs/

Codex

告诉 Codex：

Fetch and follow instructions from https://raw.githubusercontent.com/sou350121/VLA-expert-skill/main/platforms/codex/SYSTEM_PROMPT.md

详细文档：platforms/codex/SYSTEM_PROMPT.md

OpenCode

告诉 OpenCode：

Fetch and follow instructions from https://raw.githubusercontent.com/sou350121/VLA-expert-skill/main/platforms/codex/SYSTEM_PROMPT.md

或手动安装：

git clone https://github.com/sou350121/VLA-expert-skill.git
mkdir -p .opencode
cp VLA-expert-skill/platforms/codex/SYSTEM_PROMPT.md .opencode/instructions.md

其他 AI 工具

将 platforms/codex/SYSTEM_PROMPT.md 的内容作为 system prompt，并附加 skill/references/VLA_EXPERT_MEMORY.md 作为上下文。

验证安装

启动一个新会话，问：

"Diffusion Policy 和 Flow Matching 哪个更好？"

如果回答中出现 🔴 Bull / 🔵 Bear / 🟢 Arbiter 三视角辩论，安装成功。

独立模式 vs 深度模式

模式	条件	深度
独立模式	只装 VLA Expert Skill	压缩记忆覆盖 90% 场景
深度模式	同时 clone VLA-Handbook	按需读取原始论文拆解，信息量 5-20×

🔗 推荐搭配 VLA-Handbook（⭐100+）使用以获得深度模式。

每日更新

知识库由自动化 pipeline 每日同步，追踪：新论文与突破、信念网络置信度变化、收敛 Phase 转移、产业动态与融资、社区部署经验。

保持最新：

cd VLA-expert-skill && git pull

文件结构

VLA-expert-skill/
├── skill/
│   ├── SKILL.md                    # 完整 Skill 定义（意图路由 + 8 种模式 + 辩论协议）
│   └── references/
│       └── VLA_EXPERT_MEMORY.md    # 压缩知识库（328+ 论文，每日更新）
├── platforms/
│   ├── cursor/.cursorrules         # Cursor Rules 适配
│   └── codex/SYSTEM_PROMPT.md      # Codex / OpenCode / 通用 system prompt
├── INSTALL.md                      # LLM 可读的自助安装指南
├── .github/workflows/              # GitHub Actions 自动化
└── README.md / README_EN.md

License

MIT — 随意使用、修改、分发。

Contributing

欢迎贡献！论文分析、部署经验、Bug 报告，请开 Issue 或 PR。

VLA-expert-skill

Before / After 效果对比

description SKILL.md