五个维度，详解LLM-based Agent中的规划（planning）能力

作者：李皓辰，百度人工智能高级算法工程师
声明：本文只做分享，版权归原作者，侵权私信删除！
原文：https://zhuanlan.zhihu.com/p/704354580

该工作主要梳理了LLM-based Agent 中的规划（planning）能力。

Paper：Understanding the planning of LLM agents: A survey ArXiv：https://arxiv.org/abs/2402.02716

解释

文章中，作者将planning能力进一步细分为了五个维度：

• • 任务分解（Task Decomposition）

• • 规划选择（Plan Selection）

• • 外部辅助规划（External Planner）

• • 反馈和改进（Reflection and Refinement）

• • 记忆（Memory）

1. 引言 (Introduction)

• • 自主智能代理：被定义为能够完成特定任务的智能实体。它们通过感知环境、规划和执行动作来实现目标。

• • 规划的重要性：规划是代理最关键的能力之一，它要求代理进行复杂的理解、推理和决策过程。

• • 规划任务的一般表述：在给定的时间步 ，环境表示为 ，动作空间为 ，任务目标为 ，以及在时间步 的动作为 ，规划过程可以被表达为生成一系列动作的序列：。其中， 和 分别代表LLM的参数和任务的提示。

• • 传统方法的局限性：以往的工作主要依赖于符号方法或基于强化学习的方法，如规划领域定义语言（PDDL）或策略学习。这些传统方法有其局限性，例如符号方法需要将自然语言描述的问题转换为符号建模，这可能需要人类专家的努力，而且缺乏容错性。强化学习方法通常需要与环境的大量样本（交互）来学习有效策略，这在数据收集耗时或成本高昂的场景中可能不切实际。

• • LLM的潜力：近年来，大型语言模型（LLM）的出现标志着一个范式的转变。LLM在多个领域取得了显著的成功，展示了在推理、工具使用、规划和指令跟随方面的重要智能。这种智能为将LLM作为代理的认知核心提供了可能性，从而有潜力提高规划能力。

• • 本文工作：尽管已有调查尝试总结LLM的技术，但文献中往往缺乏对规划能力的详细分析。本调查旨在分析最新的研究工作，讨论优势和局限性，并提供对基于LLM的代理规划能力的系统性视角。

2. 任务分解 (Task Decomposition)

现实世界中的任务通常是复杂和多步骤的，直接通过单步规划过程来解决复杂任务是一项巨大挑战。任务分解通过将复杂任务分解为多个简单子任务，使得规划过程更加可行。

分解方法分类：任务分解方法主要分为两类：

• •