反饋搜尋優化 LLM 規劃領域生成

Post LinkedIn

📄閱讀原文： ArXiv AI

#planning-domains #heuristic-search #symbolic-feedbackagentic-llm-feedback-frameworkarxiv llm val

💡透過 LLM 反饋搜尋解鎖可部署規劃領域（18字）

⚡ 30-Second TL;DR

有什麼變化

代理式 LLM 框架從自然語言描述生成 PDDL 領域

為什麼重要

推進自動化規劃領域生成，連結 LLM 與經典規劃。實現更高品質領域用於真實世界 AI 規劃任務。

下一步行動

將 VAL 驗證器反饋整合至您的 LLM 基礎 PDDL 生成器。

誰應關注：Researchers & Academics

關鍵要點

•代理式 LLM 框架從自然語言描述生成 PDDL 領域
•符號反饋包含地標和 VAL 計劃驗證器輸出
•模型空間中的啟發式搜尋優化領域品質

🧠 深度解析

AI-generated analysis for this event.

🔑 增強重點摘要

•該研究解決了自動規劃領域（Planning Domain）建模中常見的語義不一致問題，透過將 VAL（Validation Tool for PDDL）的錯誤訊息直接回饋給 LLM，實現了自動化的迭代修正循環。
•研究引入了『模型空間搜尋』（Model Space Search）的概念，將 PDDL 領域的生成視為在潛在邏輯結構空間中的路徑搜尋問題，而非單純的文字生成任務。
•該方法顯著降低了領域專家手動編寫 PDDL（Planning Domain Definition Language）的門檻，使得非技術人員能透過自然語言描述複雜的自動化規劃任務。

🛠️ 技術深入

• 核心架構：採用基於 LLM 的代理（Agentic）框架，結合外部符號驗證器（VAL）作為反饋迴路。 • 符號反饋機制：利用地標（Landmarks）提取技術識別規劃問題中的關鍵狀態，並將 VAL 產生的語法錯誤與規劃失敗訊息轉化為 Prompt，引導 LLM 進行領域修正。 • 搜尋策略：在模型空間中應用啟發式搜尋（Heuristic Search），以規劃成功率與領域簡潔度作為評估函數（Evaluation Function），篩選出最優的 PDDL 領域描述。