LLM 代理通过工具、数据源和其他代理响应自然语言请求，甚至简单请求常需多个相互依赖的调用。传统做法让 LLM 通过试错选择调用，缺乏可执行计划的保证。本文提出基于能力的自主规划（CGAP），先将工具目录确定性编译为 PDDL 模型，再让 LLM 将请求转化为目标，最后使用经典规划器求解。由于工具输出事先未知，模型抽象地记录哪些输入可用，而不关心具体值。执行阶段，LLM 为抽象计划补充实体级调用，且通过确定性检查剔除破坏计划的调用。每个参数均来源于已引用的对话片段或前置工具响应，只有在 LLM 验证器确认结果符合请求后才视为交付。实验在 ToolSandbox、ComplexFuncBench、BFCL 多轮和 $\tau^2$-bench 零售基准上，CGAP 相比标准工具调用代理提升最高 28.9 分。
点评：CGAP 通过将工具调用抽象为可规划的任务模型，实现了更可靠的多步推理，显著提升了实际任务完成率。