启发还是预测？探索利用大语言模型辅助经典规划器的新范式
人工智能
2026-03-31 v2
摘要
解决大规模规划问题已成为规划领域的核心挑战之一，源于对象和动作增长导致的状态空间爆炸。最近，研究人员探索了利用大语言模型（LLM）生成有助于剪枝搜索空间的有用动作和状态的有效性。然而，先前的工作在很大程度上忽视了将 LLM 与领域特定知识相结合以确保有效规划。在本文中，我们提出了一种新型 LLM 辅助规划器，并结合问题分解，首先将大规模规划问题分解为多个更简单的子任务，并构建依赖关系和检测冲突。然后我们探索了两种利用 LLM 的新范式，即 LLM4Inspire 和 LLM4Predict，以辅助问题分解，其中 LLM4Inspire 根据通用知识提供启发式指导，而 LLM4Predict 利用领域特定知识推断中间条件。我们在多个领域实证验证了规划器的有效性，展示了在解决大规模规划问题时的搜索空间划分能力。实验结果表明，LLM 在剪枝搜索空间时能够有效定位可行解，其中将领域特定知识注入 LLM（即 LLM4Predict）相比提供 LLM 内通用知识的 LLM4Inspire 展现出特别的潜力。
引用
@article{arxiv.2508.11524,
title = {Inspire or Predict? Exploring New Paradigms in Assisting Classical Planners with Large Language Models},
author = {Wenkai Yu and Jianhang Tang and Yang Zhang and Yixiong Feng and Celimuge Wu and Kebing Jin and Hankz Hankui Zhuo},
journal= {arXiv preprint arXiv:2508.11524},
year = {2026}
}