Daily Report — 2026-10-01
Daily Overview
- 工作内容： 工作涵盖了高层级战略学术规划、严格的 robotic policy 评估与 VLA model 优化、RecoverBench framework 的最终实现，以及基于 AstrBot 的 WeAgent 系统部署。
- 实施方式： 通过确定性的 XLA tuning、仅视觉 memory 约束以及 VLA quantization 研究实现了技术进步；同时通过 DB 维护、plugin 迁移和自动化 VM 部署脚本提高了软件可靠性。
- 影响： 这些工作建立了一个稳定的、可复现的 benchmark (RecoverBench)，一个经过验证的仅视觉 robotic control 基准，以及一个稳健的、生产就绪的 agent 架构 (WeAgent)。
今天的特点是成功完成了 RecoverBench Phase 2 的实现，对学术研究身份进行了战略性重构，优化了 VLA model quantization 以提高硬件可导出性，并将 WeAgent 迁移到了 AstrBot 架构。
Tasks
Architecture & Strategy
- 🔄 Academic CV Restructuring — 重新设计 CV，将研究影响力及“研究者身份”（解决问题/构建 benchmark）置于论文数量之上。
- ✅ Visual-only Policy Evaluation — 使用严格的仅视觉约束（无 proprioception）重新运行基于 Gemini 的 policy 评估，以建立真正的 baseline。
- 🔄 VLA Quantization Optimization — 在通过精度管理确保 QNN 可导出性的同时，恢复 π0.5 W4A4 models 的闭环成功率。
- ✅ WeAgent/AstrBot Migration & Deployment — 将核心逻辑迁移至 AstrBot plugin 架构，修复了 SQLite WAL 损坏问题，并创建了自动化 VM 部署脚本。
- 🔄 Prepare Gate-B approval request — 完成 MihD-dev 执行计划的成本估算和代码修复。
- • Policy Decisions (H1-H7) — 针对 error 定义、injection 有效性、retraining 范围、GR00T 以及历史再生所需的高层级决策。
- • SpaceMouse Demo (H3) — 使用 operator_kit_v2 记录一个真实的连续 demo，以使 demonstration set 合格。
Implementation & Fixes
- ✅ Cross-device Sync Setup & Research — 评估了用于 Windows、Mac 和 VMs 之间无缝文件/文本传输的工具（Tailscale, Telegram, OneDrive），结论是 Telegram 在 UX 方面表现最佳。
- ❌ Reverse 1999 Task Automation — 使用 computer-use 技能实现游戏中 Reverse: 1999 的日常任务自动化。
- • RecoverBench Implementation Phase 2 — 集成了所有功能性代码逻辑、确定性数值 (A9, B5) 和端到端 pipeline；通过最终回归扫描验证（574/575 通过）。
Problems & Solutions
Critical Issues
1. 由于隐藏的 proprioceptive 数据使用导致 robot policy 评估成功率虚高。
Solution: 实现了 DRAWN_MEMORY_VISUAL_ONLY/TRACK 标志以强制实现零 proprioception，将成功率修正为 65.0%。
2. VLA quantization 在准备 QNN/HTP 导出期间导致成功率下降。
Solution: 正在探索在 RMSNorm 输出上使用 TF-Enhanced 以及对关键 tensors 进行整数保留。
3. 由于 SQLite WAL 事务不完整导致 wechatauto 中的数据库损坏。
Solution: 修复了 WAL merge 逻辑以正确处理事务。
General Issues
4. 基础设施和环境问题：GPU OOM、Pip ‘Access Denied’ 以及 LocalSend 发现失败。
Solution: 开发了 bash/PS1 脚本以便在备用 GPU 上重启服务器，对 pip 使用了 –no-cache-dir，并推荐使用 Tailscale 进行 P2P 连接。
5. 不同工具（auditor/augmenter）之间的 demo 结果不一致，以及游戏 UI 自动化焦点丢失。
Solution: 将工具统一在单个共享的 replay routine 下；建议对游戏自动化进行手动窗口管理。
6. 由于 glue code bug 导致的 N-15 pilot 失败。
Solution: 修复了 protocol fingerprint 记录和 pandas 3 兼容性问题。
7. 由于 XLA autotuning 和 worker 调度导致的 Pi0.5 数值和场景生成的非确定性。
Solution: 实施了强制确定性的 XLA autotuning、唯一的 JAX cache 目录，并稳定了 worker RNG seeds。
Human vs AI Approaches
Strategic Level
Strategic Design & Philosophy
| Role | Approach |
|---|---|
| Human | 提供高层级方向（例如：将 CV 身份定位为“研究者”而非求职者；追求“类微信”的同步 UX）。 |
| AI | 专注于战术实现（LaTeX 格式化、工具分类和技术细节）。 |
Difference Analysis: N/A
Policy & Scientific Decisions
| Role | Approach |
|---|---|
| Human | N/A |
| AI | 将零散的开放性问题整合进结构化的决策表中，以最小化认知负荷。 |
Difference Analysis: N/A
Technical Autonomy
| Role | Approach |
|---|---|
| Human | N/A |
| AI | 将工具（read_file, web_search）集成到 agent loop 中，以自主解决基于文档的任务。 |
Difference Analysis: 人类定义科学/政策边界（“做什么”），而 AI 管理执行过程（“怎么做”）。
AI Limitations
Critical Limitations
- 在人类提示之前，未能识别 policy 评估中的非视觉数据泄漏；在复杂的 UI 自动化中难以保持注意力。
- 在没有用户干预的情况下，无法做出高层级 policy 决策（例如定义“碰撞”）或执行物理上的 human-in-the-loop 任务。
General Limitations
- 在验证之前，最初对特定平台的存储/限制（Telegram/WeChat）做出了过度泛化的断言。
- 技术护栏问题（在项目边界外写入）以及针对复杂 WeChat UI 元素的实验性 OCR 局限性。
Learnings
Key Learnings
- XLA autotuning 和 proprioceptive 数据泄漏是 robotic benchmarks 中非确定性和性能虚高的关键隐藏来源。
- 成功的 VLA hardware 导出 (QNN) 需要仔细管理 activation-only recalibration 和 precision tensors。
- 对于研究导向的应用（CVs/PhD），叙述应优先考虑问题定义能力和研究直觉，而非原始指标。
- SQLite WAL merging 需要精确处理最后一次提交的 frame，以防止在同时写入期间发生主 DB 损坏。
- 通过实时 shell 命令注入和显式的 cache 管理，可以显著改进自动化 VM 部署。
Conversation Summaries
RecoverBench Implementation
• Phase 2 Completion 所有 subagents (A1-A9, B1-B5, C1-C8, H7p) 都已集成改进，验证了整个 codebase 已准备好进行 policy audit。
PhD Application Strategy
🔄 CV Narrative Restructuring 将 CV 策略从求职型简历转向以研究为中心的叙述，重点关注 robotic reliability 和问题定义。
RoboMemory**✅ Visual-only Policy Evaluation**
执行了关键的重新运行以确保 visual-only memory 约束，将成功率从 79.4% 修正为 65.0%。
WeAgent/AstrBot
• Migration and Debugging 完成了向 AstrBot 的迁移，优化了 social/reply 逻辑，并整合了 deployment workflows。
MihD-dev
• Decision Consolidation 制作了一份 master decision table，以协调 open scientific/procedural 问题与现有 manuscript 之间的一致性。
Pi0.5 VLA Optimization
🔄 W4A4 Quantization Recovery 研究了在针对 QNN 的 quantization 过程中保持 π0.5 模型成功率的方法。
Cross-device Sync Tooling
✅ Multi-device Transfer 评估了 synchronization 方法，结论是 Telegram 对于 ‘chat-like’ UX 是最优选择。
Game Automation
❌ Reverse 1999 Tasks 尝试为 daily tasks 进行 UI automation，但遇到了 input focus 问题。