使用Strands Agents、LeRobot和Hugging Face存储桶，在一个地方记录、训练和部署

判断

做具身数据采集的团队要决定：是否把「录制—训练—回灌」的中转层从本地磁盘换成 Storage Bucket。省下的是每天重传全量录像和训练前把数据集拷到 GPU 的字节，付出的代价是放弃版本化带来的回滚点。

依据

亚马逊的 Sundar Raghavan 等五位作者在 Hugging Face 博文（2026年8月13日）里把这条回路压进一个 agent：同一个 Robot() 先录 LeRobotDataset，经 sync_dataset_to_bucket 同步进 Storage Bucket，再用 stream_dataset 流式读回训练，最后把 checkpoint 部署回硬件，磁盘上的格式始终是 LeRobot 原样。机制是 Storage Bucket 为 Xet 支撑的可变、非版本化对象存储，和数据集同在 hf:// 命名空间、共用同一个 hf CLI，配合字节级去重（byte-level deduplication，指每次同步只上传内容发生变化的字节），把「每天跑一遍」从重复搬全量变成增量。可对照的规模是 LeRobot 格式已被 90,000+ 数据集与模型、8,000+ 发布者使用，按该格式录的数据不必转换就能被现有工具读。取舍压在版本控制上：bucket 可变且不版本化，覆盖写没有回滚点，团队要么在外层自己留副本，要么接受丢掉历史批次，这也是把中转层搬上 Hub 时要先认下的账。