理解 LLM 智能体的规划：一项调查
内容提要
该综述探讨基于大语言模型的多智能体系统，涵盖规划、推理与工具使用。LLM自主规划能力有限，成功率约3%，但可作为启发式助手改进传统规划器。文章提出模块化神经符号框架，结合LLM与外部验证器，并总结单/多代理架构、记忆机制及应用评估。
延伸解读
LLM自主规划能力有限，但可辅助传统规划器
文章指出，LLM在自主规划任务中的成功率仅约3%，表明其独立生成可执行计划的能力非常有限。然而，在启发式模式下，LLM生成的计划可以改善其他智能规划器的搜索过程，并提供反馈以验证计划质量。这意味着当前LLM更适合作为规划辅助工具，而非完全自主的规划者。
神经符号框架：结合LLM与外部验证器
文章提出一种模块化神经符号框架，将LLM与外部基于模型的验证器结合，通过双向交互提升规划与推理能力。该框架利用LLM获取驱动验证器的模型，并扩展了基于模型的规划范围。这种结合被视为有前景的神经符号方法，能更灵活地处理知识、问题和偏好规范。
多智能体系统与记忆机制的分类创新
综述涵盖单代理和多代理系统，包括多角色协作、信息传递及通信问题缓解策略。针对记忆组件，文章引入创新的分类方案，摆脱传统分类方法，为AI代理的记忆系统设计提供新视角。这些核心组件的深入研究被视为AI代理技术未来发展的基础。
Q&A
LLM在自主规划任务中的表现如何？
LLM在自主规划方面的表现非常有限，成功率仅约3%。
LLM如何帮助改进传统规划器？
LLM可以作为启发式助手，生成的计划能改善其他智能规划器的搜索过程，并提供反馈以验证计划质量。
什么是LLM-模块化框架？
LLM-模块化框架是一种神经符号方法，将LLM的优势与外部基于模型的验证器在更紧密的双向交互方式中结合，利用LLM获得驱动外部验证器的模型，从而扩展基于模型的规划/推理范围。
基于LLM的智能体有哪些核心组成部分？
基于LLM的智能体核心组成部分包括规划、记忆和工具使用。
LLM在规划任务中有哪些应用类别？
LLM在规划任务中的应用可分为八个类别：语言翻译、计划生成、模型构建、多智能体规划、交互规划、启发式优化、工具集成以及脑启发式规划。
LLM智能体在记忆机制方面有什么创新分类？
文章引入了创新的记忆分类方案，摆脱了传统分类方法，为AI智能体的记忆系统设计提供了新视角。
