The Big Rule 是一套开源的机器人行为规则 —— 把机器人的「做事逻辑」从黑箱里拿出来，变成可复用、可审核、可持续演进的公共知识。
它们共同解释：为什么 demo 很强，但真实落地仍然很难。
为了更通用、更会动手，主流路线不断加大模型。但机器人本体不是云端机房。
模型越强 ≠ 机器人越可部署
仿真环境里练得再好，也补不齐真实世界的复杂度与不确定性。
现实中的意外，仿真里练不到
会走、会跑、会跳、会跳舞，≠ 会拿、会放、会整理。
会表演的能力，不等于会干活的能力
语言模型追求的是预测更准；机器人追求的是把事情做成，并且安全。 真实世界的组合是无穷的，而机器人的动作一旦做出，就无法撤销。
任务复杂但种类有限，复杂度可以主要交给模型承担。
单个动作不难，难在任务组合无穷无尽。规则负责流程、条件与安全，模型负责把动作做准。
大模型路线都有价值，但不该同时承担流程、条件与安全判断。模型越大，越难装进机器人本体。
把行为规则、能力执行与本体适配，组织成可安装、可扩展、可替换的一套完整系统。
开放的行为契约层。用统一的方式描述一个任务该怎么做、什么条件下允许做、做不成时如何恢复。这一层完全开源。
把每一项具体能力交给最适合它的执行方式，而不是让同一个模型包办一切，并持续把执行结果反馈回规则层。
每项能力都可以独立训练、测试、替换和升级。官方提供开箱即用的组合，也支持接入自研或第三方能力。
对接真实机器人本体，处理不同厂商、不同形态之间的差异与安全边界。
开发体验、工具体系与交付形态，分别对标三个成熟范式：
行为定义一次，就能在不同机器人上运行 —— 一次编写，处处执行。
提供完整的开发、测试与评测工具链，不绑定特定硬件。
早期完整系统、开箱即用；后期开放模块与生态，官方体验持续进化。
规则层决定「做哪一步」，执行层决定「这一步具体怎么做」。 不同类型的动作难度差别极大，所以按难度交给不同的执行方式 —— 而不是让一个大模型包办。
询问用户、等待、汇报结果。规则明确，无需模型，确定性执行。
路径明确、可以事先算清楚的动作，用成熟可靠的方法完成，稳定且低成本。
抓取、放置、擦拭这类高度依赖手感的动作，才需要专门的模型来处理不确定性。
未来的机器人必须先判断情况，再决定做不做。模型可以生成动作，但生成动作不等于形成一份 看得见、可审核、能更新的行为准则。而真实世界里「什么情况下该怎么办」，是永远列不完的。
先把一件事该怎么一步步做完写清楚，让机器人能稳定地完成常见任务。
再加上判断：什么情况下可以做、必须先问、绝对不能做。让复杂度变成可测试、可管理的问题。
例：整理卧室 —— 同一个动作，条件不同则许可不同：
| 对象 | 情况 | 机器人该怎么做 |
|---|---|---|
| 衣物 | 干净 / 脏 / 用户偏好 | 放衣柜 / 放洗衣篮 / 询问用户 |
| 药品 · 证件 | 敏感 / 私人 / 未授权 | 不移动 · 先询问用户 |
真实世界里的特殊情况永远列不完，需要整个行业一起补。
使用者和贡献者越多，越证明外置行为知识层成立。
只有接口统一，能力才能跨厂商复用。
规则、工具、Benchmark、适配与产业学术影响力同步累积。
不是做两个 demo，而是验证 The Big Rule 可跨场景复用。 如果同一套规则能同时治理「擦桌子」和「货架补货」，它就不只是场景脚本，而是机器人行为公共基础设施。
不同抹布（干 / 湿 / 厚 / 薄）× 不同桌面（木桌 / 玻璃 / 餐桌 / 茶几），同一任务规则。
证明点：不是记住一块桌子，而是同一规则在组合中泛化。
发现缺货、找到商品、补齐货架 —— 每一步都要看情况做判断。
什么时候该补、该问、该避让顾客、该上报异常。
这个世界的规则，
应该属于全世界。
我们的使命：加速具身智能服务人类的进程。把机器人行动所依赖的行为规则， 从黑箱参数中释放出来，成为开放、可审计、可复用的公共基础设施。
特斯拉加速能源转型；The Big Rule 加速具身智能进入真实世界。