摘要
多约束规划涉及在满足多个潜在冲突的约束条件下识别、评估和优化候选计划。现有的大型语言模型（LLM）方法在这一领域面临基本局限。纯推理范式依赖于长的自然语言链条，容易导致不一致、错误累积和在约束增多时的高昂成本。相对而言，结合编码或求解器的LLM策略缺乏灵活性：它们通常从头生成特定问题的代码或依赖固定的求解器，无法在不同问题间捕捉通用逻辑。
为了解决这些挑战，我们引入了可扩展代码规划引擎（SCOPE）框架，该框架将查询特定的推理与通用代码执行分开。通过将推理与执行分离，SCOPE生成的求解器函数在多个查询中保持一致、确定性且可重用，同时仅需对输入参数进行最小更改。SCOPE在性能上达到了行业领先水平，同时降低了成本和延迟。例如，使用GPT-4o时，它在TravelPlanner上的成功率达到了93.1%，比最佳基线（CoT）提高了61.6%，同时推理成本降低了1.4倍，时间缩短了约4.67倍。代码可在GitHub上获取。
博主点评： SCOPE框架通过将推理和执行解耦，显著提升了多约束规划的效率与灵活性。这种方法不仅提高了成功率，还有效降低了计算成本，展示了在复杂问题解决中的创新思路。未来的研究可以进一步探索其在其他领域的应用潜力。