逐步 PDDL 模擬的代理式 LLM 規劃

#agentic-planning#pddl-simulation#llm-benchmarkspypddlenginepypddleengineclaude-haikufast-downwardpddl

💡代理式 LLM 透過互動 PDDL 模擬提升 3% 規劃成功率（66.7%）

⚡ 30-Second TL;DR

有什麼變化

推出 PyPDDLEngine，支援 LLM 透過 MCP 介面工具呼叫

為什麼重要

強調 PDDL 自評反饋下代理式獲益有限，與編碼錯誤等接地反饋不同。顯示 LLM 依賴回憶而非可泛化規劃。為機器人 AI 規劃研究提供 LLM 限制洞見。

下一步行動

從 GitHub 安裝 PyPDDLEngine，並在 IPC 領域基準測試代理式規劃。

誰應關注：Researchers & Academics

背景與延伸：來自公開資料，非原文內容。引用 8 個來源。

•PyPDDLEngine 透過 Model Context Protocol (MCP) 介面暴露七項操作，包括初始化問題、查詢當前狀態、檢索適用動作、執行單一動作、重置至初始狀態、檢閱動作歷史及驗證完整計劃。[1]
•與僅接受或拒絕完整計劃的 PDDL 驗證器不同，PyPDDLEngine 允許 LLM 在規劃過程中觀察每個狀態轉換，將 LLM 定位為搜尋策略。[1]
•在共同解決的難度區塊中，代理式及直接 LLM 方法產生的計劃比傳統 seq-sat-lama-2011 規劃器更短，儘管後者具迭代計劃品質改善。[1]

為代理式規劃添加目標距離啟發式可提升成功率

論文建議在每步反饋中加入目標距離啟發式，以直接測試外部進度訊號是否改善代理成功率。[1]

跨訓練資料涵蓋度不同的領域評估可驗證記憶假說

論文提出評估 LLM 規劃於不同訓練資料涵蓋領域，以更嚴格測試記憶帳戶的影響。[1]

2026-03

PyPDDLEngine 發佈為開源軟體，支援 LLM 逐步 PDDL 模擬規劃

Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.

AI 週報

閱讀本週精選 AI 大事摘要 →

同主題

探索 #agentic-planning

同產品

更多關於 pypddlengine

同來源

最新來自 ArXiv AI

AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： ArXiv AI ↗

這是摘要，不是原文。去看原站，或訂閱每週簡報。

每週 AI 簡報

每週一封，可隨時退訂。