规划在长时序智能体中愈发关键，成功执行需要在众多步骤中协调子目标、工具使用以及中间结果。然而，环境可能使先前的假设失效，工具可能返回意外结果，动作也可能失败。因此，智能体不仅要生成计划，还必须能够对计划进行修正。修正往往只影响计划的局部区域，前后结构保持不变。与其重新生成完整计划并冒不必要的改动风险，不如在保留前缀和后缀的条件下，仅对受影响的片段进行再生成。我们提出 Plan-and-Patch 框架：使用扩散语言模型（dLLM）通过并行去掩码生成结构化、类似程序的计划，并在需要时填充选定区域实现修补，同时固定周围步骤。我们将 DreamReasoner-8B 作为扩散规划器，Qwen3-8B 作为自回归（AR）规划器进行比较。 在无需任务特定微调的 Natural Plan 基准上，扩散模型的计划修复成功率为 53.7%，几乎是 AR 的两倍（27.0%）。在 ALFWorld 与 TextCraft 等代理基准上进行任务特定训练后，两种规划器在计划生成成功率上相当，但扩散模型将平均生成延迟降低了 39%~46%。结果表明，Plan-and-Patch 能在长时序智能体中实现更快的计划生成和高效的计划修复。
点评