TGL 是什么的缩写？
Teach-and-Grow Learning（教与长学习）。论文标题为 “Teach and Grow: An Agent-Centered Architecture for General Robot Learning”。
Teach-and-Grow Learning（TGL）
Teach-and-Grow Learning（TGL）是一种面向通用机器人学习的免训练架构。预训练的多模态 AI 智能体读取少量成功演示，把它们的共同结构表达为闭环的 Skill Block，将每个块落实到当前场景，并保留通过验证的行为。预训练模型权重不发生改变。
名字的两半
Teach（教）是输入：少量演示揭示子目标序列与值得检查的条件。示教提供的是结构，而不是物理实现——教师的确切轨迹与像素坐标恰恰是刻意不被保留的部分。
Grow（长）是输出：每个任务都把经验证的行为加入显式的 Skill Library，并把这次尝试的上下文写入 Experience Memory。下一个任务从更大的可检查能力基础上开始，因此这份资源在部署之后仍在增长，而不只在训练阶段增长。
“免训练”的含义
获取当前任务的过程中不进行梯度更新、不做微调、也不包含强化学习阶段。AI 智能体及其专用模型本身可以是预训练好的——这是被假定的前提。任务获取期间改变的是显式的技能与记忆状态，而不是权重。这里是该术语的精确含义，它比“完全没有训练过的模型”要窄得多。
为什么这种分离重要
在端到端策略中，修复一次失败意味着改动同时也支撑其它能力的参数，随后还要做回归检查。针对某个物体或某种接触条件，不存在可单独定位的修复。TGL 把修复变成对显式对象的局部编辑：可以收窄一个 Skill Block、修改其恢复规则，或标记某个执行器版本不兼容，而不必重新打开系统的其余部分。
它不主张什么
TGL 不主张“保存了文件就等于保留了行为”：正确的块仍必须被检索到、结合当前传感落地，并成功执行。它也不主张低成本增长是自动成立的——技能之间不受限制的两两兼容性检查同样可能让技能库变得昂贵。而把可复用经验与未来任务误差下降联系起来的缩放假设，是作为假设提出的，不是拟合出的定律。
常见问题
TGL 与微调机器人策略有什么不同？
微调通过改变模型参数来吸收新行为，可能影响此前已支持的行为，并且需要回归检查。TGL 保持参数不变，把新能力存为显式、可检查的 Skill Block。
一次 TGL 运行实际产出什么？
两份持久化存储：一份是 Skill Library，保存经验证的可执行行为及其适用范围与契约；另一份是 Experience Memory，记录任务、所选技能块、观测、结果、诊断与修复。
TGL 如何让机器人持续积累技能？
办法是把技能写进显式存储，而不是写进权重。在与示教演示分开的用例上通过验证的行为，带着适用范围与结果检验进入 Skill Library；每次尝试的条件、结果、诊断与修复进入 Experience Memory。后续任务从两者中检索，因此同一任务的第二次尝试会从第一次已经确立的东西开始。