在多种任务中构建可靠的机器人执行能力，需要大量人力投入，用于技能开发与维护、奖励函数设计，以及感知与控制模块的协同集成。本文提出“重构—练习—走向真实”（Reconstruct, Practice, Go Real，简称RPG）框架，旨在不更新模型权重的前提下，实现机器人执行系统的自主持续优化。RPG首先从离线数据集中识别出各类操作能力，并据此在仿真环境中构建相应的练习任务；在练习过程中，RPG综合利用执行反馈、仿真器提供的特权状态（privileged simulator state）以及数据集中的视频片段，对失败案例进行归因诊断；基于诊断结果，RPG可生成新的、可复用的符号化技能，优化已有技能，并动态修订系统级提示词（system prompt）；所有候选修改均需经过跨任务评估——即分别测试单个修改项及合并后的修订方案的效果，仅当性能提升显著时才予以保留并纳入复用库；在实际部署阶段，一个具备多模态理解能力的大语言模型（multimodal LLM）将依托最终确定的系统提示词与技能库，统筹协调感知模块与机器人底层控制。在22个操作任务的预留初始状态（held-out initializations）上，RPG经15轮练习后，任务成功率由首轮练习后的28.6%大幅提升至95.0%，全面超越所有对比基线方法，包括ASPIRE（75.5%）和搭载GPT-6 Astra Pro大模型的CaP-Agent0（60.0%）。在完成统一校准与硬件适配流程后，该冻结权重（frozen）的系统在全部30次实体机器人实验中均成功完成任务：其中三项任务各执行10次，全部达标。项目网站：https://rpg-robot.github.io/
