真实工作台、机械臂与棋盘构成了现在最能说明问题的系统载体。
In DevelopmentV1.01
SOMA Arm
当前最具体的 reference implementation
一个以桌面机械臂为载体的语言驱动机器人项目，用来验证 ANIMA 的认知闭环、视觉 grounding、技能执行与失败恢复。
它不是最终产品，而是通向家庭机器人的操作能力层与 benchmark。
Open profile ->
ANIMA
ANIMA 认知框架
这里主要介绍 ANIMA。它是 6 层 / 五因素的共享认知框架，把上游信号（文本 / 语音 / BCI / 视觉）翻译成可验证、可调度、可恢复的机器人行动。当前作为 Python 库在 jeffliulab/anima 独立发布（v0.1.0）。
ANIMA
- LLM-as-Parser，而不是 LLM-as-Generator（强制 tool-calling 输出 TaskSpec JSON）
- Test-and-Check 六门先于执行：JSON / 意图 / 技能 / 参数 / 安全 / 前置条件
- 五因素事件触发自评（非连续日志）：ITA / MQA / SQA / GOA / PEA
- 三阶段时间评估（Pre / Runtime / Post）与五因素正交
- GOA 乘法组合 P(success) = ∏ Pᵢ（不做平均——会掩盖瓶颈）
- PEA 三因素检索：recency × 0.5 + relevance × 3.0 + importance × 2.0
- py_trees 行为树运行，不用临时状态机；技能集 < 100 时用 Function-Calling + Affordance Scoring 代替 RAG
Overview
ANIMA 是什么，不是什么
What it is
六层认知栈（L0–L5）+ Test-and-Check 六门 + 五因素自评（ITA / MQA / SQA / GOA / PEA）的共享认知框架。v0.1.0 起以 pip 可装的独立 Python 库形式在 jeffliulab/anima 发布。
What it is not
不是视觉模型 / 运动规划器 / 硬件驱动；不绑死到单一机器人本体。LLM 只做 Parser，不直接生成电机命令。
Why separate it
2026-04-21 已作为独立仓落地。两条应用分支——soma-arm（棋类操作）和 soma-care（仿真病房 ADL）——共享同一套框架，只在 L4 adapter 层写各自的适配。
Deep pages
技术细节入口
这些页面继续承接架构、校验和技能边界，不把首页压得过重。
从上游信号到设备无关执行
ANIMA 六层架构
ANIMA 的 L0–L5 六层把上游信号（文本 / 语音 / BCI / 视觉）逐层翻译成可验证的机器人行动，每一层都有清晰的输入输出契约与失败路径。
Read ->
先守门，再执行，再验证
Test-and-Check：六门 + 三阶段
Test-and-Check 是 ANIMA 的关键区分点：它把「任务完成」变成一个要重新验证的命题。六门先挡下不可执行的 TaskSpec，三阶段（Pre / Runtime / Post）保证失败不会被默默掩盖。
Read ->
框架和机器人在哪里分开
Skill Registry & L4 Embodiment 边界
ANIMA 通过 skill registry（L3）和 EmbodiedAdapter 协议（L4）接触具体机器人，但不把硬件细节吞进框架。这条边界决定 ANIMA 能不能迁到下一台机器人，而不是只在一个 demo 上工作。
Read ->
ANIMA 判定成功的定义，不是事后日志
五因素：ITA / MQA / SQA / GOA / PEA
五因素是 ANIMA 自评的底层结构。每一项在 Pre / Runtime / Post 三阶段各打一次分，合成后给出带置信度的成功概率。GOA 用乘法不用平均，SQA 从历史数据学习，PEA 让系统长期变好。
Read ->
Related robots
