NeSyFS 為 LLM Agent 引入快慢推理
NeSyFS 是一套為部分可觀測環境設計的神經符號框架，協助 LLM Agent 進行決策。它結合知識圖譜信念狀態、反應式快速思考、不確定性感知的慢速規劃，以及基於反思的模組切換，並在 ALFWorld、WebShop 和 ScienceWorld 上優於先前方法。
Search
Tag: #agent-planning7 results
環境地圖加倍代理成功率
環境地圖提供持久的結構化圖形表示，將螢幕錄影和執行追蹤彙整，以減輕長視野代理的錯誤。框架包含情境、動作、工作流程和隱性知識。在 WebArena 基準測試中，成功率達 28.2%，幾乎是基準的兩倍。
PseudoAct：偽代碼提升LLM代理智慧
PseudoAct 是一個新框架，利用 LLM 生成偽代碼為代理建立結構化計劃，編碼迴圈、條件式和平行等控制流程。它克服 ReAct 在長時程任務的限制，減少多餘動作並確保一致執行。實驗顯示在 FEVER 上成功率提升 20.93%，並在 HotpotQA 創下新 SOTA。
HyperAgent 以工具結構圖強化 LLM 規劃
HyperAgent 提出工具－結構描述超圖，透過必要輸入與產出輸出去建模工具依賴關係。其具備結構感知的規劃與狀態條件式執行能力，在 AppWorld 上提升任務完成率，同時減少多餘的 API 呼叫、LLM 互動與 Token 用量。
ToolTree 提升 LLM 工具規劃效率
ToolTree 是 LLM 代理工具規劃的新蒙地卡羅樹搜索範式。利用雙重反饋 LLM 評估與雙向剪枝，自適應探索工具軌跡。在 4 個開放/封閉集基準上平均提升約 10%。
記憶與規劃在動態導航中的價值
這篇 arXiv 論文探討記憶策略如何在非穩態環境中輔助空間導航，環境具有不確定感測，任務為覓食。比較從簡單到複雜的代理，發現具備 episodic memories 與即時規劃的混合架構最適合探索、搜尋與路徑優化。當任務難度增加時，先進代理遠勝最小記憶代理，前提是不確定性可控。
C-JEPA Learns World Models via Object Masking
C-JEPA extends masked joint embedding prediction to object-centric representations with object-level masking, inducing latent interventions for interaction reasoning. It boosts counterfactual VQA by 20% and enables efficient agent planning using 1% of latent features. Code is on GitHub.