给定文本 prompt，orchestrator 驱动多个 coding agent 并行写 Blender Python 代码，framework 无头执行 Blender 渲染，VLM judge 评分，失败则自动生成 fix task 迭代，直到通过或达到上限——全程无人干预，最终产出带 articulation 的完整 3D 资产（GLB + URDF）。
整个生成过程是一个 DAG（有向无环图），每个节点是 AgentTask（调用 LLM）、ToolTask（调用确定性工具）或 SubgraphTask（运行时展开为子任务）之一。Runner 用 Kahn 算法做拓扑排序，用线程池并行执行无依赖节点（默认 4 workers）。所有任务的输出写到共享 workspace，agent 之间不直接通信，只通过文件系统协作。
01_agent_design 写出 design.json，这是整个 pipeline 的核心合约文件，所有 part agent 并行运行时只读自己对应的 entry，互不通信。schema 包含 robot_name、description、parts（每个 part 有 world_xyz、world_extents、color_rgba、geometry_strategy、texture.prompt、instances）和 joints（每个 joint 有 parent、child、type、origin_xyz、axis、limit）。设计原则：world_xyz 和 world_extents 是硬约束，part agent 写的代码产出的 object 的世界 bbox 必须在 5mm 容差内。
当 02_subgraph_parts 的依赖完成后，runner 读取 design.json，调用 articulated_parts 展开策略，在运行时将 SubgraphTask 替换为对每个 part 的 agent 任务 + texture 工具任务，并在最后生成 verify/render/judge 批量任务。展开后的完整 plan 持久化到 plan.expanded.json。Resume 时优先读 expanded 版。
每个 part agent 接到 goal：写 src/parts/<name>.py，实现 build_<name>() 函数，返回一个 Blender object，名字必须与 design.json 中 name 字段完全匹配。关键约定：build_<name>() 返回 object 的世界 bbox 中心必须在 world_xyz 的 5mm 内，extents 在 world_extents 的 5mm 内；只写几何代码，不写材质/纹理/着色器代码；无随机性。
tool_judge 调用 ClaudeVisionCritic.evaluate()，流程：将 8 张多视角渲染图 copy 到 critic_images 目录；构建 judge prompt，包含 identity_recognizability（weight=0.25）、completeness_checklist（weight=0.20）、geometry_detail（weight=0.20）、structure_plausibility（weight=0.15）、fit_quality（weight=0.10）等 7 个评分标准；以 agent 方式调用 Claude，允许 agent 读取图像文件后输出 JSON；计算 overall_score，pass_threshold = 0.65。
Runner 的主循环最多 max_global_iters 次：执行所有 ready 的 tasks，若所有 judge 通过则提前终止；否则 build_fix_tasks 分析失败原因，生成 fix task（per-part judge 失败则创建 fix_part 任务包含得分、保留项和改进项；assembly judge 失败则创建 fix_loop 任务包含所有 criterion 的得分和 suggested_fixes；runtime 错误则创建包含 traceback 的 fix_part_runtime 任务），追加到 DAG 并重跑。Sticky-pass 机制：per-part judge 一旦通过，在后续迭代中该 part 不再重新运行，防止 VLM 评分随机性导致退步。
当某 object 有重复 part（如 4 条腿），design agent 使用 instances 字段：Part agent 只写 build_leg() 一个函数（canonical pose），build.py 负责 copy × 4，命名为 Leg_0, Leg_1, Leg_2, Leg_3。实测效益：4 条腿从 ~$3.0（4 个独立 agent）→ $0.74（1 个 canonical agent），节省 75%，且 per-part judge 质量更高。