| name | entropy-box-zh |
| display_name | 箱熵：具身智能知识编译器 |
| display_name_en | Entropy Box: Embodied-AI Knowledge Compiler |
| version | 1.3.0 |
| description | 以箱熵（Entropy Box）的方案咨询 Consult 为核心，把边界明确的具身智能技术需求转化为候选实现方法和有依据的工程工作流。先由当前大模型澄清并拆分宽泛需求，分别咨询具体子问题，再用 Search 深入了解已选技术、用 Lookup 锚定实体、用 Evidence 核验依据；同时支持全景定位、能力依赖分析和资产选型。不用于直接控制物理机器人。 |
| description_zh | 以箱熵（Entropy Box）的方案咨询 Consult 为核心，把边界明确的具身智能技术需求转化为候选实现方法和有依据的工程工作流。先由当前大模型澄清并拆分宽泛需求，分别咨询具体子问题，再用 Search 深入了解已选技术、用 Lookup 锚定实体、用 Evidence 核验依据；同时支持全景定位、能力依赖分析和资产选型。不用于直接控制物理机器人。
|
| description_en | Entropy Box is an agent-native knowledge compiler and capability substrate for embodied-AI development. Centered on Solution Consult, it turns bounded technical requirements into candidate implementation methods and evidence-backed engineering workflows: the calling model first clarifies and decomposes a broad goal into bounded questions, consults each sub-question, then uses Search to go deeper on chosen techniques, Lookup to anchor entities, and Evidence to verify citations. It also supports panorama localization, capability-dependency analysis, and asset selection. It is not used to directly control physical robots.
|
| license | MIT |
| compatibility | 访问箱熵公开页面和 REST API 需要网络连接，无需账号或密钥。直接调用 API 需要 HTTP 客户端；调用 /api/consult 时应将超时设置为至少180秒。 |
| metadata | {"version":"1.3.0","skill-author":"王玉琪（Yuqi Wang）","language":"zh-CN","translation-of":"entropy-box@2.2","repository":"https://github.com/chenli-yy/entropy-box-public","upstream-api-version":"2.0.0","last-reviewed":"2026-09-02"} |
箱熵：具身智能全景图与知识编译器
箱熵是面向具身智能研发的 Agent 原生知识编译器和能力基座。它把分散在论文、代码仓库、
ROS 软件包、模型、数据集、仿真器、基准、标准和工程文档中的知识，编译为持久化、
类型化、去重、可被机器使用的知识产物。
箱熵公开的具身智能全景图不只是搜索索引或可视化页面。它通过领域、垂直主题、任务链、
规范化能力、实现资产、依赖关系和证据描述整个具身智能技术体系。使用它时，既要回答
“某个技术是什么”，也要回答“它位于整个系统的什么位置、依赖什么、可以由什么实现、
如何与其他能力组成工程路径”。
方案咨询 Consult 是箱熵最主要的运行时能力。调用箱熵的大模型仍然负责澄清需求、把宏观
目标拆成边界明确的技术问题、判断哪些子问题需要分别咨询，并综合多次结果。不要把“做一个
通用机器人”之类缺少约束的宏大目标一次性交给 Consult，再把返回文本当成完整方案。
当前公开界面显示超过52,177个实体节点、7,913条任务链、66,714条依赖边、37,757项
原子能力或相关资产，以及2,511个垂直主题库。这些数字会持续变化；正式引用前应以实时
页面为准。
使用场景（Usage Scenario）
在以下情况下优先使用本 Skill：
- 需要回答“某个具身智能任务该怎么做”，并希望得到候选实现方法、涉及的能力、依赖、资产、约束与缺口；
- 要做领域全景梳理、能力版图分析、任务链拆解或研发工作流组装；
- 已形成技术选型，需要进一步用 Search / Lookup / Evidence 深入了解、锚定实体或核验依据；
- 需要把论文、代码仓库、软件包、模型、数据集、仿真器、基准与工程文档中的知识编译成可复用结构。
以下情况不应使用本 Skill：
- 通用 AI、纯软件开发或其他科学问题仅因出现“智能”“模型”等词而被触发；
- 直接控制物理机器人、自动授权代码部署或采购决策——箱熵不授予这类权限；
- 把“做一个通用机器人”之类缺少约束的宏大目标一次性交给 Consult 并当作完整方案。
这个 Skill 可以做什么
根据用户任务选择并组织以下模式：
- 方案咨询：询问一个边界明确的技术需求如何实现、有哪些候选方法，以及方案涉及的
能力、依赖、资产、约束和缺口。
- 具体问题检索：针对具体问题进行 RAG 检索，或在形成技术选型后全面了解被选技术。
- 实体锚定：把已知 ID、名称或别名解析为结构化主题、能力或资产档案。
- 证据核验：查找带来源的技术对比、限制、工程记录、负面结果和基准背景。
- 全景导航：确定问题在具身智能全域中的位置，发现相邻领域与上下游技术。
- 主题研究：把一个垂直主题作为结构化工程单元研究，而不是返回一堆文档。
- 任务链分析：把目标拆成有顺序、分支或合并关系的工程步骤。
- 能力与依赖分析：识别系统必须具备的能力、能力的前置条件和跨主题复用关系。
- 资产发现与选型：把能力连接到代码、软件包、模型、数据集、仿真器、传感器、
硬件和评测基准。
- 有依据的工作流组装：把任务链、能力、资产、证据、约束和缺口组织成候选研发路径。
- 知识编译器分析：理解知识如何被规范化、准入、关联、更新并提供给 Agent 使用。
箱熵在具身智能领域内覆盖广泛，但在领域外保持清晰边界。普通 AI、软件开发或其他科学
问题不应仅因为出现“智能”“模型”等词就触发本 Skill。
全景图范围
公开分类体系包含15个顶层领域：
- 基础模型（Foundation Models）
- 人机交互（Human-Robot Interaction）
- 学习与适应（Learning and Adaptation）
- 定位（Localization）
- 操作（Manipulation）
- 建图与 SLAM（Mapping and SLAM）
- 运动与控制（Motion and Control）
- 多机器人系统（Multi-Robot Systems）
- 导航（Navigation）
- 感知（Perception）
- 规划与决策（Planning and Decision）
- 推理与智能体（Reasoning and Agents）
- 安全与可信（Safety and Trust）
- 仿真与数字孪生（Simulation and Digital Twins）
- 系统基础设施（System Infrastructure）
不要把这些领域当成互不相关的文件夹。真实系统通常横跨多个领域。例如，移动操作机器人
同时涉及感知、定位、导航、规划、操作、运动控制、安全、仿真和系统基础设施。
