面向现实旅行规划的约束感知多智能体协作框架——ATLAS
人工智能
2025-10-01 v1 计算与语言
摘要
尽管大型语言模型(Large Language Models, LLMs)在推理与工具使用方面取得了显著进展, 但它们常常无法在复杂约束下生成最优、具体的解决方案。现实旅行规划恰恰体现了这些挑战, 评估智能体处理显式、隐式甚至基于与动态环境和用户需求交互而演化的约束的能力。在本文中, 我们提出ATLAS, 一个通用多智能体框架, 旨在有效处理现实旅行规划任务中约束感知的复杂性。ATLAS引入了一套原则化的方法, 通过专门的机制处理动态约束管理、迭代计划批判和自适应交错搜索来应对约束感知规划的根本挑战。ATLAS在TravelPlanner基准测试上实现了领先性能, 将最终通过率从23.3%提升至44.4%, 超过其最佳替代方案。更重要的是, 本工作首次在现实旅行规划任务中实现了定量效果, 该任务涉及实时信息搜索和多轮反馈。在这种真实可信的环境下, ATLAS展示了卓越的整体规划性能, 实现了84%的最终通过率, 显著优于包括ReAct(59%)和单一智能体(27%)等基线方法。
引用
@article{arxiv.2509.25586,
title = {ATLAS: Constraints-Aware Multi-Agent Collaboration for Real-World Travel Planning},
author = {Jihye Choi and Jinsung Yoon and Jiefeng Chen and Somesh Jha and Tomas Pfister},
journal= {arXiv preprint arXiv:2509.25586},
year = {2025}
}