前面几篇分别聊了小米机器人的运动控制、视觉感知、嵌入式驱动和决策规划——这四个模块各管一块。这篇聊怎么把它们统一起来——用一个具身智能大模型把"看、想、动"三个环节串成一个闭环。这就是小米的具身智能算法工程师岗位要做的事，面试核心考VLA模型的多模态决策和端到端的系统集成。

面试官的开场问题很有全局感："VLA模型输出的是'下一步应该做什么'（高层决策），行为树执行的是'具体怎么做'（底层执行）。两者怎么融合成一个统一的架构？"

VLA+行为树：分层协作架构

面试官问："VLA模型和行为树各自擅长什么？不擅长什么？"

VLA模型擅长开放式场景的决策——面对没见过的物体和环境，VLA可以基于视觉理解和语言推理做出合理的下一步动作（比如看到一个从未见过的杯子，VLA可以推断"这是一个可以抓取的容器"并输出抓取动作）。但VLA不擅长精确的顺序控制和异常处理——它的输出是概率性的，不能保证"先做A再做B"这种严格的顺序逻辑，也不能实时监控系统状态并做出确定性的安全响应。

行为树擅长确定性的流程控制和异常处理——保证子任务按顺序执行、任何一步失败都有预设的恢复策略、可以实时监控系统状态并在异常时立刻切换策略。但行为树不擅长开放式决策——它只能执行预定义的技能，面对没预设过的情况就不知道怎么办。

面试官问："两者怎么融合？"

融合架构是分层协作——VLA做"大脑"（