La manipulación tradicional de huesos en la medicina china (TCB) implica movimientos complejos y retroalimentación de fuerza, que son críticos para una reducción efectiva de fracturas. Sin embargo, su práctica requiere la colaboración de cirujanos altamente experimentados, y la disponibilidad de recursos expertos es significativamente limitada. Estos desafíos han obstaculizado significativamente la herencia y difusión de las técnicas de TCB. El avance del Aprendizaje a partir de la Demostración ofrece una solución prometedora para abordar este desafío. En este estudio, desarrollamos un marco innovador de aprendizaje de habilidades de reducción cerrada y control de admisión híbrido de doble capa para un robot de manipulación de huesos de doble brazo, específicamente dirigido a fracturas de tobillo. El marco comenzó con un diseño estructural integral del robot, incorporando análisis de cinemática de cadena cerrada y la descomposición de fuerzas internas y externas. Además, introdujimos un algoritmo de reparametrización óptima global para la alineación temporal de demostraciones y extendimos el Movimiento/ Fuerza Síncrono Kernelizado de Movimiento Primitivo para aprender maniobras de reducción y fuerzas. Además, diseñamos un controlador de admisión híbrido de doble capa, que consta de una capa de tobillo y una capa de robot. Específicamente, proponemos una nueva estrategia de control de admisión variable difusa adaptativa para la capa de tobillo para lograr un seguimiento preciso de las fuerzas de reducción, lo que reduce el RMSE del seguimiento de fuerza a lo largo del eje X en un 50.35% en comparación con la estrategia no difusa. Los resultados experimentales demostraron que el marco replica con éxito el proceso de manipulación de huesos similar al humano y puede imitar trayectorias personalizadas de manipulación de huesos bajo la guía de expertos.