分解与重组：利用现有能力推理新技能以实现跨任务机器人操作

跨任务泛化是开放世界机器人操作的核心挑战，关键在于从已见任务中提取可迁移的操作知识。现有的上下文学习方法仅提供低层连续动作序列，无法捕捉可组合的技能知识，导致模型退化为表面轨迹模仿。本文提出“分解与重组”框架，利用原子技能 - 动作对作为中间表示，将演示分解为可解释的对齐关系，使模型能通过组合推理为新任务重组技能。该方法构建了结合视觉语义检索与规划代理技能序列的动态演示库，并辅以覆盖感知的静态库，显著提升了零样本跨任务泛化能力。