在机器人行为树（Behavior Tree, BT）合成领域，从自然语言直接生成可执行的行为树一直是一项关键挑战。传统的基于大语言模型（LLM）的方法通常将“接地”（grounding）责任完全交给提示编写者，要求他们必须准确了解机器人能够执行的技能、这些技能如何参数化，以及机器人运行时软件对行为树结构的约束。这种依赖使得部署过程极其脆弱，因为提示编写者往往不具备这些专业知识，从而导致生成的行为树可能无法实际执行。为了解决这一难题，最新研究提出了一种基于契约（contract-grounded）的行为树合成架构。该架构引入了一个编码智能体（coding agent），它在合成行为树之前，会主动查询机器人端的模型上下文协议（Model Context Protocol, MCP）服务器，以获取一份明确的契约。这份契约包含三个关键部分：技能库（skill library）、允许的行为树操作符（permitted BT operators）以及可选的行为树组合模板（BT composition templates）。基于这份契约，编码智能体能够确保所生成的行为树中的每一个节点都对应机器人实际可执行的技能，从而从根本上保证了合成结果的可靠性和可部署性。
该框架的另一大创新在于，它将接地责任从用户转移到了系统架构中。非专家操作员只需使用日常自然语言下达命令，而无需理解机器人的底层实现细节——例如传感器配置、电机控制参数或导航堆栈的具体内容。编码智能体在接收到命令后，自动完成契约获取和行为树合成工作。合成后的行为树还需要通过机器人运行时验证门控（runtime validation gate）的严格检查，确保其符合所有约束条件，然后才能被发送给机器人执行。这种双重验证机制极大地降低了错误执行的风险。
为了验证该方法的有效性，研究团队选取了两个具有代表性的LLM：闭源模型Sonnet 4.6和开源的小型模型Gemma4:31b，并在110个PyRoboSim模拟任务以及14个实体Husarion Panther机器人任务上进行了全面评估。实验结果表明，基于契约的接地方法使得行为树的验证近乎完美，任务成功率显著优于传统方法。特别值得一提的是，对于反应式控制流任务，当使用行为树组合模板时，即使是较小的Gemma4:31b模型也能取得与大型闭源模型相当的成功率，这表明模板有效补偿了小模型在复杂度上的不足。此外，该架构成功迁移到了运行Nav2堆栈的物理硬件上，整个过程对于操作员和智能体来说都是透明的——他们无需了解Nav2的内部工作机制。这项研究为机器人行为树合成提供了一种更鲁棒、更易用的解决方案，有望推动自然语言编程在机器人领域的实际应用，降低机器人部署的门槛。