摘要
大型语言模型（LLM）智能体在多步骤规划任务中展现出潜力，但现有方法如 LATS（语言智能体树搜索）和 ReAct 在规划过程中过度依赖 LLM 推理，导致高计算成本和随机行为。我们提出了 GATS（图增强树搜索），这是一个结合了系统性 UCB1 基树搜索与分层世界模型的规划框架，旨在消除推理过程中的 LLM 调用，同时实现更优的规划性能。
我们的三层世界模型集成了：
- (L1) 精确的符号动作匹配，
- (L2) 从执行日志中学习到的统计数据，
- (L3) 针对未知动作的 LLM 基预测。
在具有分支路径和死胡同的合成规划任务中，GATS 实现了 100% 的成功率，而 LATS 为 92%，ReAct 为 64%。在涵盖 12 个挑战场景的全面压力测试中——包括编码工作流、网页导航和长时间任务——GATS 保持 100% 的成功率，而 LATS 降至 88.9%，ReAct 降至 23.9%。GATS 在规划过程中每个任务 不需要 LLM 调用（相较于 LATS 每个任务需要 37 次），并且在多次运行中产生确定性计划，零方差。我们的结果表明，结合学习的世界模型的系统搜索可以显著超越 LLM 引导的探索，提升智能体的规划能力。
博主点评： GATS 的提出不仅解决了现有 LLM 方法中的计算成本高和随机性问题，还通过引入分层世界模型的方式，展示了系统性搜索在智能体规划中的优势。这一框架为未来的智能体开发提供了新的思路，值得关注和深入研究。