从假设到行动：将 LLM 推理转化为具备不确定性感知的具身智能体规划

在多智能体、部分可观测且去中心化的环境中，具身智能体必须在关于隐藏对象和合作者意图的不确定性下进行规划和行动。最近的进步在应用大语言模型（LLM）来解决具身智能体问题方面取得了许多突破，如高层目标分解和在线自适应。然而，仍主要通过频繁的智能体间通信来缓解不确定性。这会产生巨大的 token 和时间成本，并且可能干扰涉及人类合作者的既定工作流程。我们引入 PCE（Planner-Composer-Evaluator 框架），将 LLM 推理痕迹中潜在的片段化假设转化为结构化决策树。内部节点编码环境假设，叶节点映射到行动；每条路径随后通过情景概率、目标导向收益和执行成本进行评分，以指导无需重型通信的理性行动选择。在两个具有挑战性的多智能体基准测试（C-WAH 和 TDW-MAT）和三个多样化的 LLM 后端上，PCE 在成功率和任务效率方面 consistently 超过以通信为中心的基线方法，同时保持相当的 token 使用情况。消融结果表明，无论 PCE 应用后，扩大模型容量或推理深度所带来的性能提升仍然存在，而 PCE consistently 提升了基线水平，这在两种容量和推理深度尺度上都得到验证，确认了结构化的不确定性处理与两种形式的规模化相辅相成。用户研究进一步表明，PCE 产生的通信模式更符合人类合作者的期望，更高效且更可信。这些结果为将潜在的 LLM 假设转化为可靠的不确定性感知规划策略提供了原则性的途径。