HiPlan：基于自适应全局-局部引导的 LLM 智能体层次化规划
计算与语言
2025-08-27 v1 人工智能
摘要
基于大语言模型（LLM）的智能体在决策任务中展现出了卓越的能力，但在复杂的长时程规划场景中仍面临巨大困难。这源于其缺乏宏观指导，导致在复杂任务中迷失方向与失败，以及执行过程中持续监督不足，使其对环境变化反应迟钝且易发生偏离。为应对这些挑战，我们引入了 HiPlan，一个提供自适应全局-局部指导以增强基于 LLM 的智能体决策能力的层次化规划框架。HiPlan 将复杂任务分解为指引大方向的里程碑动作指南和用于详细动作的逐步提示。在离线阶段，我们从专家演示中构建里程碑库，通过检索语义相似的任务和里程碑来实现结构化的经验重用。在执行阶段，来自过往里程碑的轨迹片段被动态调整以生成逐步提示，使当前观测与里程碑目标对齐，从而弥合差距并纠正偏离。在两个具有挑战性的基准上的大量实验表明，HiPlan 显著优于强基线，且消融实验验证了其层次化组件的互补效益。
关键词
引用
@article{arxiv.2508.19076,
title = {HiPlan: Hierarchical Planning for LLM-Based Agents with Adaptive Global-Local Guidance},
author = {Ziyue Li and Yuan Chang and Gaihong Yu and Xiaoqiu Le},
journal= {arXiv preprint arXiv:2508.19076},
year = {2025}
}