从粗到细：面向LLM智能体的自适应分层规划
人工智能
2026-04-28 v1
摘要
基于大语言模型的智能体最近已成为解决动态和多步骤任务的有效方法。现有的大多数智能体采用规划机制来指导动态环境中的长期行动。然而，当前的规划方法存在一个根本性局限，即它们在固定的粒度级别上运行。具体来说，它们要么为简单任务提供过多细节，要么为复杂任务提供不足细节，无法在简单性和复杂性之间实现最佳平衡。受认知科学中“渐进细化”原理的启发，我们提出了AdaPlan-H，一种模仿人类规划策略的自适应分层规划机制。我们的方法从粗粒度的宏观规划开始，并根据任务复杂度逐步细化。它生成自适应分层规划，以适应不同任务的不同难度级别，并可通过模仿学习和能力增强进行优化。实验结果表明，我们的方法显著提高了任务执行成功率，同时在规划层面缓解了过度规划问题，为多步复杂决策任务提供了灵活高效的解决方案。为回馈社区，我们的代码和数据将在https://github.com/import-myself/AHP公开提供。
引用
@article{arxiv.2604.23194,
title = {From Coarse to Fine: Self-Adaptive Hierarchical Planning for LLM Agents},
author = {Haoran Tan and Zeyu Zhang and Chen Ma and Tianze Liu and Quanyu Dai and Xu Chen},
journal= {arXiv preprint arXiv:2604.23194},
year = {2026}
}