1、Skill 简介
箱熵（Entropy Box）是一个面向机器人与具身智能研发的 Agent 原生知识编译器与能力基座。它把分散在论文、代码仓库、ROS 软件包、模型、数据集、仿真器、基准与工程文档中的具身智能知识，编译成持久化、类型化、可被机器使用的知识产物，并通过四个运行时能力对外服务：
- Consult（方案咨询）：把"某个具身智能任务该怎么做"拆成候选实现方法、涉及的能力、依赖、资产、约束与缺口，组装成有依据的研发路径。
- Search（具体问题检索）：针对具体问题做 RAG 检索，深入了解已经选中的技术。
- Lookup（实体锚定）：把已知 ID、名称或别名解析为结构化主题 / 能力 / 资产档案。
- Evidence（证据核验）：查找带来源的技术对比、限制、工程记录与基准背景。
公开全景图覆盖 15 个顶层领域、2,511 个垂直主题库、7,000+ 条任务链与 6 万+ 依赖边，支持全景定位、能力依赖分析、资产选型与知识缺口分析。
适合人群：机器人 / 具身智能方向的研发工程师、算法工程师、技术负责人，以及需要做领域全景梳理、技术选型或研发路径规划的团队。
2、使用场景
为什么做它？
具身智能研发的瓶颈往往不是模型容量，而是知识。机器人研发所需的知识——论文、GitHub 仓库、ROS 软件包、模型、数据集、仿真器、基准、标准——散落在无数来源里，彼此之间缺乏结构化的关联。工程师面对"用机械臂加视觉方法摘桃子该怎么做"这类任务时，往往要自己翻大量资料、拼凑技术路线，既慢又容易遗漏关键约束。
之前遇到的麻烦
- 技术选型时，候选方法、能力、依赖、资产散落各处，难以系统对比
- 面对跨系统任务（感知 + 规划 + 控制 + 仿真），不知道如何拆解成可执行的工程步骤
- 想了解某个方法，只能零散搜索，缺少带来源的证据核验
- 领域全景不清晰，难以判断某个技术在整个体系中的位置和上下游依赖
做出来之后能省掉什么
- 一句话描述任务，即可得到候选实现方法 + 能力 + 依赖 + 资产 + 约束 + 缺口的完整研发路径
- 跨系统需求自动拆解为边界明确的技术子问题，分别咨询后综合成方案
- 技术选型后，用 Search / Lookup / Evidence 深入了解、锚定实体、核验依据
- 领域全景梳理、能力版图分析、任务链拆解一键完成
3、创作过程
箱熵的核心是把"具身智能全域知识"编译成可计算、可复用的结构，而不是简单做一个搜索工具或文档聚合器。整个体系围绕几个关键设计展开：
第一层：知识编译（Knowledge Compiler）
把分散的原始知识（论文、代码、软件包、数据集、基准等）经过规范化、类型化、去重、准入、关联后，编译成持久化的知识产物。这是箱熵的"持久产品"，区别于单次生成的答案。
第二层：图谱建模
用主题（Topic）→ 任务链（Task Chain）→ 能力（Capability）→ 资产（Asset）→ 证据（Evidence）→ 依赖（Dependency） 六层结构描述整个具身智能技术体系。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。
第三层：运行时能力
通过 Consult / Search / Lookup / Evidence 四个接口对外服务。调用的大模型负责澄清需求、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——箱熵不替代大模型的推理，而是提供有依据的知识底座。
关键设计取舍
- Consult 的问题必须是"任务级"的：回答"用某类机器人/传感器完成某项任务该怎么做"，而不是脱离任务的算法选型问答
- 区分图谱层级：不能用热门代码仓库列表代替能力分析
- Consult 返回是"可视化就绪"的链路结构：按
mode分支呈现（chains任务链方案 /nodes_only能力资产清单），不强行套用单一模板 - 边界清晰：不直接授权代码部署、采购或物理机器人控制；涉及物理系统须经专业人员审查与受控测试
4、使用步骤
安装
将 entropy-box-zh 技能目录放到 TRAE 的全局技能目录 %userprofile%\.trae-cn\skills\entropy-box-zh\，或在 TRAE 中导入 zip 包。刷新技能发现后即可使用。
触发方式
直接用自然语言描述需求，Skill 会自动识别并加载。也可以显式指定：
| 你说的话 | 触发模式 |
|---|---|
| “用机械臂加视觉方法摘桃子该怎么做” | Consult（方案咨询） |
| “深入了解 YOLOv7 的适用条件和局限” | Search（具体问题检索） |
| “查一下 CAP_xxx / AST_xxx 这个实体” | Lookup（实体锚定） |
| “阻抗控制和导纳控制怎么选，依据是什么” | Evidence（证据核验） |
| “梳理一下具身智能的操作领域全景” | 全景导航 |
核心工作流
- 澄清边界明确的技术需求：保留任务目标、环境、机器人/仿真器、传感器、执行器、算力预算、接口、实时性约束、可用数据、安全边界和验收条件
- 调用前先拆分：把跨系统需求拆成边界明确的技术子问题，分别咨询
- 分别咨询具体实现问题：对每个子问题调用 Consult，理解返回的候选路线
- 深入了解已选技术：用 Search / Lookup / Evidence 深入了解、锚定实体、核验依据
- 综合多次调用结果：处理冲突假设与依赖缺口，组织成最终输出（全景简报 / 主题档案 / 系统架构 / 资产对比 / 研发工作流）
5、效果展示
说明：以下为能力示意，实际效果以调用返回为准。建议在正式发帖时补充真实调用截图或录屏，展示使用前后的对比。
方案咨询示例：输入"用机械臂加视觉方法摘桃子该怎么办"，返回候选任务链（感知 → 定位 → 规划 → 操作 → 控制），每步标注所需能力、可用资产、证据来源与缺口。
全景导航示例：输入"梳理具身智能操作领域全景"，返回领域地图、主题群、共享能力、依赖、资产、证据与缺口。
6、Skill 链接
- GitHub 社区仓库：trae-skills/skills/entropy-box-zh at main · trae-community/trae-skills · GitHub
- 项目网站：https://xiangshang.ngrok.app/
- 公开文档：Entropy Box — A Knowledge Compiler for Embodied Intelligence
- 集成说明：Open API & Agent Integration — Entropy Box
- 在线 API Schema：https://xiangshang.ngrok.app/openapi.json
- 归档与引用：Entropy Box: A Knowledge Compiler for Embodied AI | Zenodo
- 许可：MIT © 王玉琪（Yuqi Wang）
7、总结与思考
最满意的地方
- 知识编译而非搜索：箱熵的持久产品是被编译的知识产物，建模任务、能力、资产、依赖和证据关系，各部分之间可计算、可复用
- 有依据的工程路径：Consult 返回的是带证据、带缺口标注的候选技术路线，不是泛泛的"热门方案列表"
- 边界清晰：明确不直接控制物理机器人、不自动授权部署，涉及物理系统须专业人员审查，安全边界清楚
后续还想怎么优化
- 持续扩充垂直主题库与任务链覆盖
- 增强中文自然短语的 Lookup 命中率
- 探索与其他 Agent / MCP 的更深层接入
希望得到的建议
- 在真实机器人研发项目中的使用体验如何？
- 方案咨询返回的任务链结构是否清晰、可执行？
- 还有哪些具身智能场景希望箱熵覆盖？
关于本技能进入官方技能市场的说明：本技能已开源至 trae-community/trae-skills 社区仓库，希望有机会被官方技能市场收录，让更多具身智能方向的开发者直接搜索安装使用。欢迎官方运营同学联系沟通收录事宜。