Waddle Labs 推出为机器人编写控制代码的 AI 代理

Why it matters

Waddle Labs is testing whether robotics can adopt coding agents' iterative workflow, reducing the task-specific data and manual engineering required to program new hardware.

Waddle Labs founders Hanming Ye (@DozenDucc) and Yiding "Vincent" Song (@yiding_song) launched an early-access API on July 27th that uses language-model agents to write control programs for robots. The founders describe the product as "Claude Code for robots" and claim it can produce a working policy from a natural-language prompt in 20 minutes.

https://x.com/dozenducc/status/2081802609128788393?s=46

Ye introduced Waddle Labs in a thread on X, showing an agent breaking physical tasks into steps, inspecting camera feeds and generating code that a robot can execute. The output is an editable program, allowing an operator to ask the agent for revisions instead of collecting another dataset and retraining a robot model.

创始人是 Harvard College Class of 2028 的学生，他们的研究背景与该产品直接相关。Song 学习计算机科学、mind-brain-behavior 和物理学，并在 Harvard's Gershman Lab 和 Kempner Institute 从事上下文中程序归纳（in-context program induction）的研究，根据他个人网站。Ye 撰写了一篇关于在不更新底层模型参数的情况下引导基于扩散的机器人策略的 2025 年论文。

Ye 和 Song 在 2025 年创立了 Waddle Labs，并据 Y Combinator 的公司目录 表示从波士顿开展该项目。这家两人运营的公司属于 YC 的 Summer 2026 批次。YC 表示每家被接收的公司将获得其标准的 500,000 美元投资，分为以 7% 股权换取 125,000 美元以及通过未封顶最惠国条款 SAFE 提供 375,000 美元。

将编码代理置于机器人模型之上

大多数机器人基础模型的开发者都在训练将图像和指令转换为动作的策略。例如，Physical Intelligence 使用跨多种机器人类型收集的数据构建了其 pi0 模型，并将其设计为生成低级电机命令。Figure 将 Helix 描述为一种实时控制感知、运动和推理的 vision-language-action 模型。

Waddle Labs 在该控制层之上插入了一个软件代理。其代理将代码写为策略，同时保留调用 vision-language-action 模型及其他专用系统作为工具的能力。Waddle Labs 表示，这种结构允许同一代理架构在不同机械臂、夹具和摄像头配置下运行，而无需为每种配置收集新的训练数据。

根据 Waddle Labs 的技术发布文章，该代理监视机器人的摄像头画面，将目标分解为子任务并验证中间结果。当某个动作失败时，代理可以修改程序并重试。一个协调代理还可以创建子代理以并行控制多台机器人。

生成的程序来自共享的原语和更高级技能的层次结构。Waddle Labs 表示，一个代理在学习翻转包裹时创建了一个 fold_grasp 技能，随后另一个代理在折叠衬衫时重用了该技能。其赌注在于，部署的机器人将留下有用的代码，而不是孤立的示范：每完成一项任务就扩展一个库，后来的代理可以将其组合成更长的程序。

基准仍然是公司内部的早期测试

Waddle Labs 表示，一个代理在大约 20 分钟内为将微型开关放入插槽生成了一个可工作的策略。在另一个实验中，该系统在一夜之间进行了约 1,000 次随机化的 Lego 抓取放置重复操作，并从产生的数据中训练出一个 ACT 操作策略。这些结果将该 API 定位为部署、数据收集和自动化机器人研究的工具。

创始人还在一套操作测评中测试了 Waddle Labs 所识别的 Opus 4.8、Fable 5 和 GPT 5.6 Sol。Waddle Labs 报告称，使用更大推理预算的更大模型生成了更好的策略，在测试设置下，只有 Fable 5 和 GPT 5.6 Sol 完成了更难的任务，例如折叠衬衫。

这些证据来自 Waddle Labs 自己的硬件和任务套件。Waddle Labs 承认，机器人代理的结果仍然难以比较，因为各实验室使用不同的机器、任务和成功标准，并呼吁制定标准化基准。该 API 通过早期访问申请分发，而非公开自助产品，这使得在客户硬件上实现再现性成为下一项考验。

该方法还依赖于通用模型足够可靠，能够编写安全控制物理设备的代码。软件代理可以在沙盒内重试；机器人可能在代理再次获得操控权之前损坏物体、与附近设备发生碰撞或制造危险状态。Waddle Labs 的架构将固定的平台原语置于生成的技能之下，为操作员提供了一个潜在的控制点，以限制代理编写的程序可以执行的操作范围。

Ye 和 Song 在过去六个月里一直使用代理来控制机器人，根据该技术文章。他们的更大赌注是，语言模型的改进可以通过更好的规划和代码生成流入机器人领域，而无需为每个新任务重建端到端控制模型。Waddle Labs 现在必须证明，这种类似软件的迭代循环在其实验室之外也能站得住脚。