核心接口

给新机器人或新 primitive 接入 RPent 时，需要对接的接口如下。具体操作见 添加新机器人、添加动作原语；仓库分层见 系统说明。

机器人入口

把包放到 robots/<robot>/ 后，包的 __init__.py 会重导出 robot_spec.py 中实现的两个函数，供 main.py 调用：

def get_robot_spec() -> RobotSpec: ...
def get_toolkit(
    *,
    runtime_kwargs,
    dashboard_events: DashboardEventSink,
    config: RunConfig,
): ...

get_robot_spec 返回 RobotSpec，其中你需要提供：

字段或钩子	你要做什么
name	机器人名，对应 --robot。
prompts	PromptBundle：system 与 user 两套 prompt 工厂（见 robots/<robot>/prompt_bundle.py）。
dashboard	可选的 Dashboard 描述。设为 None 时，该机器人不支持 Dashboard 控制； 否则由该 spec 定义任务命令与字段、runtime components 和 frame channels。
add_cli_args	注册本机器人的 CLI 参数（如 --suite、--env-endpoint）。
parse_config	校验参数并返回 RunConfig；recipe_tag、output_dir、prompt_vars 三项需由你正确填写（供 prompt 模板插值）。
init_runtime	启动或连接全部 runtime components，或只处理指定名称的子集，并构造对应的 runtime_kwargs。普通 CLI 传 None；Dashboard 从 spec 得到显式声明 的 shared 和 unique 子集后分别传入。DashboardEventSink 用于上报运行时状态。

get_toolkit 一般只需把 runtime_kwargs 传给机器人子类； dashboard_events 和 config 由当前 runner 传入。它需要构造一个 prompt_vars["memory_dir"]`，未设置时回退到 get_memory_dir(robot_name)）并传给 toolkit。Memory 访问权限在 MemoryManager 上配置。如果某个机器人还需要额外参数，可以继续声明 keyword-only 参数；例如 LIBERO 还使用 mode、attempts_per_session 和 state_output_dir。

参考实现：robots/libero/robot_spec.py。

Planner

多数用户用内置 api、claude_code、codex，见 Agentic Planner。自定义 planner 才需实现 rpent.planner.base.Planner：

def solve(
    self,
    *,
    system_prompt: str,
    user_message: str,
    toolkit: Toolkit,
    max_turns: int,
    input_queue=None,
    dashboard_interaction=None,
) -> PlannerResult: ...

约定：用 toolkit.get_tools_spec() 把工具交给模型；每次调用 toolkit.execute_tool(name, input_dict)； 把结果喂回模型；在 finish 工具或轮次用尽时返回 PlannerResult。

工具集

在 robots/<robot>/toolkit.py 里继承 Toolkit，用 add_tool 注册机器人工具：

def add_tool(self, name: str, spec: dict, handler) -> None: ...

参数	含义
name	LLM 看到的工具名。
spec	工具说明与参数 schema（name、description、input_schema）。
handler	执行逻辑，须返回 dict。任务结束时在该 dict 里设 _finish； 需要回传相机图时可设 _image_bytes 等字段。

基类已注册公共文件工具；子类 super().__init__() 后追加本机器人工具即可。逐步状态与 view_env_state 见 添加动作原语。

进程间通信

接已有server或写 env_server / vla_server 时关注下面两点。

客户端端点（在 add_cli_args 中暴露，并在适用的普通 CLI 或 Dashboard runtime 钩子中解析）：

[protocol://]host:port    # 未写协议时默认为 http

常见：--env-endpoint、--vla-endpoint。http 为默认，走 POST /call 传 JSON，其中 NumPy 数组编码为 {"__ndarray__": <base64>, "dtype": ..., "shape": ...}； NumPy 标量编码为 {"__npscalar__": <value>, "dtype": ...} 以保留精确 dtype； 观测数据很大、或是多帧堆叠的嵌套 NumPy 字典时可改 socket，用带长度前缀的 pickle 数据帧传输，省掉反复的 JSON 编解码。pickle 不适合不可信输入，socket 只应连接可信端点。

环境和 VLA client 通常应分别继承 BaseEnvClient、BaseVLAClient；服务端 分别继承 BaseEnvFacade、BaseVLAFacade，并通过 _register_rpc 注册 扩展路由。这些基类在 RpcFacade 之上提供公共路由和锁。只有尚无专用基类的 服务类型才直接继承 RpcFacade。业务子类不必实现 healthz / shutdown。

细节见 添加新机器人 中的 env_server 与 vla_server 章节。