CGAP：基于能力约束的智能体规划方法

查看 PDF HTML（实验性）

摘要：LLM 智能体通过工具、数据源和其他智能体来处理自然语言请求，即便是简单的请求也往往需要若干相互依赖的调用。通常，LLM 通过试错来选择这些调用，无法保证得到可执行的计划。我们提出能力锚定的智能体规划（Capability-Grounded Agentic Planning，CGAP），它转而推理请求需要什么以及工具能提供什么。CGAP 将工具目录确定性地编译为 PDDL 模型，使用 LLM 将请求转化为目标，并用经典规划器求解该模型。由于工具输出事先未知，该模型是抽象的，只跟踪哪些输入可用，而不跟踪其值。在执行过程中，LLM 会补充抽象计划所省略的、针对具体实体的调用，确定性检查会拒绝任何破坏计划的调用。每个参数都来自有引用的来源，例如对话片段或先前的工具响应；每个请求的结果只有在 LLM 验证器对照请求进行检查后，才算作已交付。在 ToolSandbox、ComplexFuncBench、BFCL 多轮以及 $\tau^2$-bench retail 上使用三个 LLM 时，CGAP 比标准工具调用智能体最高提升 28.9 分。

提交历史

来自：Shikha Shrestha [查看电子邮件]
[v1] 2026 年 10 月 29 日星期四 22:32:01 UTC（265 KB）