六台機器人、1,730 項任務，兩項待完成工作
六台 Agibot G2 人形機器人在上海市徐匯區一家營業中的便利商店，進行 24 小時測試，據報完成 1,730 項任務；其中四台通過評估，另兩台則須進一步調整。測試從 2026 年 11 月 2 日上午 10 時進行至 11 月 3 日上午 10 時，涵蓋午餐時段、晚間購物、夜間值勤及早餐服務。
目錄
Agibot 表示，機器人共處理 683 次顧客問候或接待、369 項商品取貨與送達任務、製作 147 杯咖啡、提供 126 次熱食或早餐服務、檢查貨架與補貨 277 次，以及清理桌面 128 次。直播吸引超過 200 萬名觀眾。
兩台未通過的機器人暴露出不同問題。負責檢查貨架與補貨的機器人缺乏足夠主動性，跟不上商店的作業節奏。清潔機器人在夜間值勤時遇到垃圾桶已滿，便離開指定路線，走到店外尋找丟棄垃圾的地方。
這場活動的英文名稱為 Robots Never Clock Out，機器人是在顧客與店員身旁工作，而非在空無一人的展示場地中演示。最有參考價值的發現，關乎那些讓零售工作變得棘手的日常突發狀況：意料之外的障礙、被移動的商品，或無法按原定計畫完成的任務。
Agibot 以員工試用考核的說法呈現測試結果。四台機器人獲准擔任指定職務，另兩台則需要進一步改善。對零售業者而言，實際問題在於機器能否正確交付訂單、遵守安全界線，並在商店狀況不如預期時恢復正常作業。
哪些機器人通過考核，哪些需要再次評估？
負責迎賓與回答詢問的 Ahao，獲得最高顧客服務分數。它能主動打招呼，而非只等待顧客上前。負責取貨與送貨的 Huobao，能迅速回應訂單；需求增加、顧客取消要求時，也能繼續工作。
咖啡機器人 Kashao 按照有條理的流程製作飲品，熱美式咖啡獲得顧客好評。負責熱食服務與結帳的 Dingjiang，作業穩定，達到考核標準。
負責檢查貨架與補貨的 Juanwang，因主動性不足、難以配合商店作業節奏而未能通過。清潔機器人 Lengjie 則在垃圾桶滿溢後離開商店，因此需要修訂作業規則。
這些結果反映出兩種不同的工程課題。Juanwang 必須學會判斷何時該開始工作，不必等候額外指示。Lengjie 則需要在任務超出允許的作業範圍時，採取明確應對方式，例如停止作業並請求協助。
四個時段，帶給機器人不同考驗
這次評估涵蓋完整營業週期，而非在相同條件下重複單一任務。過程中，機器人及協調系統面對不斷變化的需求：
- 11 月 2 日上午 10 時：六台機器人在營業中的商店開始工作。
- 午餐時段：餐飲訂單考驗機器人在尖峰服務時段的製作與配送能力。
- 晚間時段：活動增加，考驗訂單處理能力及共用空間中的協調。
- 夜間：較少的營業活動，考驗持續值勤、清潔及處理突發狀況的能力。
- 11 月 3 日早餐時段：早晨服務再次帶來工作量變化，測試於上午 10 時結束。
受邀參與者也刻意增加挑戰。他們要求機器人分辨包裝相似的普通可樂與無糖可樂、移動商品、站在走道上，並搖晃熱食容器，增加夾取內容物的難度。
Agibot 從出勤情況、四個時段的工作表現及顧客評價進行評估。Agibot 具身智慧研究中心副總裁任光輝表示，團隊也追蹤任務成功率、首次嘗試成功率、回應時間、完成時間、合格產出、人員接手頻率、復原時間及系統可用率。
為什麼夾取食物可能比找到食物更難
包裝飲料與一塊軟質食物，需要不同的處理方式。機器人即使辨認出正確商品，接觸時仍可能失手：軟包裝會變形，光滑表面容易滑動，易碎食物也可能因夾得太緊而破裂。
任光輝形容，用夾子夾起一塊金蛋糕，牽涉一連串精準動作。機器人必須握住夾具、控制開合、選擇接觸食物的位置，並施加足夠力道將食物抬起而不壓碎。接著，它還要對準袋口、放入食物、抽出夾具，再改變握法提起袋子。
接近最後一步時的一個小失誤，就可能讓先前的努力全白費。把包裝糖果掛上貨架掛鉤，也有類似難題：機器必須對準小孔，不能勾住包裝，也不能碰亂旁邊的商品。
宇樹科技創辦人王興興也指出，精準的實體接觸仍是機器人技術的一大瓶頸。他關注的是理解周遭環境與控制最後一連串接觸、操作動作之間的落差。在商店裡，這些最後的動作決定顧客拿到的食物是否完好、商品是否擺放正確。
共用賣場需要共同作業計畫
六台機器人在同一家小店工作，除了操作問題，也會帶來排程挑戰。補貨可能占用顧客取貨需要的空間，清潔工作可能堵住走道，一個工作站延誤，也可能拖慢後續多項配送。
Agibot 使用 Genie Master 架構協調機器人。公司表示，該架構於 10 月 27 日發布，距離商店測試開始僅數日。它透過稱為 EEP 的具身執行協定，串聯任務分派、執行指引與回饋。
簡單來說，協調軟體會決定哪台機器人負責哪項工作、確認執行結果，並據此安排後續任務。它也會考量訂單優先順序、機器人狀態及可用空間。若多項工作爭用同一處貨架位置，系統可將任務錯開；彼此相容的工作則能同時進行。
顧客也會帶來另一個變數。有人進入作業空間時，機器人應減速、暫停、讓路，或重新規劃路線。任光輝表示，不確定性提高時，機器人應採取較保守的作業方式，必要時停下並請求協助。因此，即使會降低速度，安全等候仍是有效工作不可或缺的一環。
Agibot 如何讓機器人從錯誤中學習
Agibot 將其學習方法稱為 Physical RSI，也就是讓實體作業經驗回饋到後續改進的流程。公司將這個流程分成兩種途徑：記錄有用經驗，以及重新訓練控制動作的模型。
第一種途徑稱為 Harness RSI，會儲存並摘要成功或失敗的任務流程。機器人日後遇到類似問題時，便能參考這些紀錄。第二種途徑稱為 Policy RSI，會運用挑選出的案例訓練動作策略，也就是引導機器人移動與操作物品的模型。
任光輝表示，工作流程與協調問題可以在當天檢討，並於隔天避免重演。調整動作策略通常需要數天的開發週期。直播資料會經過挑選、去除可識別個人身分的資訊及品質檢查，才會納入訓練；由此產生的改動通常會在一至兩週內更新到後續軟體版本。
Agibot 也提到先前的一段測試期，涵蓋食品包裝、商品取貨與補貨等任務，流程成功率從第一天的 28.6% 上升至第五天的 85.7%。增加了 57.1 個百分點，約為初始成功率的三倍。
這些數據是先前測試期的結果。公司並未公布這次 24 小時公開測試中各項工作的同等詳細成功率。
任務總數對商店營運者的參考意義
據報完成的 1,730 項任務，平均相當於六台機器人每小時完成約 72 項工作。顧客接待與商品取貨合計 1,052 項，約占總數的 61%。
這些計算有助於描述工作量，但各項活動差異很大。問候顧客與準備熱食所需的時間、實際操作及檢查程序都不相同。評估是否導入機器人的店長，必須分別檢視各項職務，包括等待時間及服務完成品質。
活動資料未提供經獨立稽核的任務紀錄、人工介入次數或故障率，也未比較機器人與人類員工的產出及成本。此外，充電頻率與維護時間也未公開。這些資料缺口使機器人實際自主工作的總時數及所需人力支援程度仍無從確認。
衡量有效工作，而非鏡頭前的時間
Agibot 提出名為 Worken 的生產力指標，稱為「有效智慧工作時數」。計算方式結合正在工作的機器人數量、自主工作時間及產出效率比率。
這個概念將焦點放在合格產出：機器人在自主作業期間，能完成多少符合標準的工作。對商店而言，這代表商品正確、訂單完整，食品與飲料可供使用，且顧客等候時間在可接受範圍內。
Agibot 共同創辦人、共同總裁兼具身業務群總裁姚卯青，在公司創新日活動中說明展示與生產性工作的差異。他的談話翻譯如下：
展示是在測試單一能力的上限，但生產力測試的是整個系統的下限。
這個觀點對零售營運有很實際的意義。即使機器人處理簡單訂單時表現出色，面對困難訂單時也必須有可靠的應對方式。若要計算上海測試的 Worken，還需要機器人自主作業時數及產出效率等資料，光靠已公布的任務總數並不足夠。
大規模部署前還需要哪些改進？
任光輝表示，商業化準備程度取決於任務本身，而非固定時程。他提出三項實際檢驗標準：任務是否有明確界線、結果是否容易檢查，以及突發狀況是否少到足以讓系統自行處理。
在有序環境中，日常貨架整理、補貨與清潔協助，是他認為可望較早部署的職務。涉及複雜顧客互動、身分查驗或難以預測的操作時，則需要更長時間驗證。貨架與清潔機器人的表現也顯示，即使看似適合部署的工作，仍須仔細設計。
從一家商店擴展到數百家，需要標準化工具、串接零售業務系統、更快的安裝流程，以及有效的遠端維護。機器人也必須能在布局與商品各不相同的商店之間移轉有用經驗，減少每個據點重新設定所需的工作量。
任光輝承認，機器人在適應變化、快速完成精準動作及處理突發狀況方面，仍不如經驗豐富的店員。他提出的商業化檢驗指標很務實：縮短部署時間、減少人工調整，並提高有效產出。上海測試展示了可行的日常流程，也揭示需要修訂的規則；接下來的工程工作，是讓這些流程能在不同商店與多個輪班時段中穩定運作。
重點整理
- 六台 Agibot G2 機器人於 2026 年 11 月 2 日至 3 日，在上海市徐匯區進行 24 小時便利商店測試。
- Agibot 表示共完成 1,730 項任務，直播觀眾超過 200 萬人。
- 四台機器人通過職務評估；貨架檢查機器人與清潔機器人仍須進一步調整。
- 一台機器人缺乏主動性，另一台則在遇到已滿的垃圾桶後離開商店。
- Genie Master 負責協調任務、共用作業空間及機器人回饋。
- 詳細的自主作業時數、人工介入次數、經稽核的故障率，以及與人類員工的比較資料均未公布。
