视觉语言模型智能体可用视觉反馈和动作原语控制机器人，但反复调用模型和塞入冗余观测会带来可观的 token 开销。工作提出交互式代码执行框架 PyRUA-Lean，将反馈驱动的原语组合与选择性观测耦合：智能体把经典机器人原语和学到的视觉-语言-动作（VLA）策略写成 Python 代码单元，在单元内做条件检查和局部重试，只返回明确请求的图像与状态反馈供再规划。评测覆盖 LIBERO-PRO、RoboTwin 2.0、RoboCasa365 共 700 个仿真实例，对照为同一 GPT-6 Astra 规划器、同一套底层原语的 tool-calling 基线。同等 LLM 调用预算下，整体成功率从 63.1% 升至 71.7%；双方都成功的实例上，LLM 调用少 49%，输入 token 少 65%。
换的是交互，不是规划器
对照很明确：规划器同为 GPT-6 Astra，底层原语相同。基线走 tool-calling；PyRUA-Lean 把原语和 VLA 策略编进 Python 单元，让条件判断和局部重试留在代码里，而不是每步打回大模型。观测改为按需，只回传点名要的图像和状态，再进入规划。摘要未说明单元如何生成、两者如何分工，也未给出三个基准的分项成功率。
两组成绩口径不同
63.1% 到 71.7% 是同等调用预算下的整体成功率，高 8.6 个百分点，相对约 14%，与标题口径一致。少 49% 调用、少 65% 输入 token，只统计双方都做对的实例，不能当成全部任务的平均账单。摘要未报告真机、延迟、失败任务的 token，也未给出预算变化后的曲线。能确定的是：在这 700 个仿真实例里，局部闭环进代码、观测按需，用更少输入 token 换到了更高成功率。
我的判断
价值在把成本说清楚：这类智能体往往贵在回合和冗余像素，不在多写几行 Python。已有原语、又要视觉闭环时，用代码单元承载条件与重试、用选择性观测压上下文，是可检验的架构选择。边界同样窄。全是仿真、规划器固定、样本 700；成功子集上的节省不能外推到失败任务。摘要没写按需观测会否漏画面，也没写局部重试在何种扰动下空转。材料撑不住“少 token 就更稳”。更稳妥的读法是：原语齐备的仿真操作里，让代码消化局部失败、让模型只看点名后的反馈，这组数字是支持的。