黑暗中的规划：无专家的LLM-符号规划管道
人工智能
2024-09-25 v1
摘要
大型语言模型（LLM）在解决自然语言描述的规划任务方面显示出前景，但其直接使用常导致推理不一致和幻觉。虽然基于LLM和符号规划的混合管道已作为更稳健的替代方案涌现，但通常需要大量专家干预来细化和验证生成的动作模式。这不仅限制了可扩展性，也引入了潜在的偏见解释，因为单一专家对模糊自然语言描述的解释可能不与用户的实际意图相符。为此，我们提出了一种新方法，通过构建动作模式库来生成多个候选方案，考虑到自然语言描述的多种可能解释。我们进一步引入了语义验证和排序模块，用于自动过滤和排序生成的模式和计划，而无需专家在环。实验表明，我们的管道在直接LLM规划方法之外在规划方面保持优势。这些发现表明了完全自动化、无需专家干预的LLM-符号规划器的可行性，为更广泛的受众参与AI规划开辟了可能性，降低了对领域专业知识的先决条件。
引用
@article{arxiv.2409.15915,
title = {Planning in the Dark: LLM-Symbolic Planning Pipeline without Experts},
author = {Sukai Huang and Nir Lipovetzky and Trevor Cohn},
journal= {arXiv preprint arXiv:2409.15915},
year = {2024}
}
备注
8 main body pages, 10 appendix pages