提问为前题：面向现实世界规划的积极语言代理
内容提要
本文介绍了多种基于大型语言模型（LLMs）的规划方法，如 AdaPlanner、SimPlan 和 Meta-Task Planning (MTP)。这些方法结合经典规划技术和新颖的技能发现机制，显著提升了复杂环境中的决策性能。实验结果表明，这些方法在旅行规划和多智能体系统中表现优异，展示了 LLMs 在自动规划中的潜力和应用前景。
延伸解读
混合规划：LLM与经典方法的结合
文章指出，大语言模型（LLMs）本身缺乏规划所需的必要技能，因此提倡将LLMs与经典规划方法相结合的混合方法。SimPlan就是这种思路下的产物，它结合了LLMs和经典规划技术，并在各种规划领域明显优于现有的基于LLMs的规划器。这提示我们，单纯依赖LLMs进行规划可能不够，融合传统规划方法能提升性能。
闭环反馈与技能发现：AdaPlanner的启示
AdaPlanner通过闭环反馈自适应地改进生成的计划，并引入技能发现机制，使其在ALFWorld和MiniWoB++环境中优于现有基线算法。这表明，让语言模型智能体根据环境反馈动态调整计划，并积累可复用的技能，是提升连续决策性能的有效途径。对于需要多步交互的任务，这种自适应能力尤为重要。
零样本任务分解：MTP在多智能体系统中的应用
Meta-Task Planning (MTP)是一种零样本方法，通过将复杂任务分解为次级任务或元任务来简化规划，并在TravelPlanner和API-Bank基准测试中取得出色结果。这显示了将LLM与多智能体系统整合的潜力，尤其是在旅行规划等复杂场景中。任务分解策略无需额外训练，即可帮助LLM代理处理长程规划问题。
提示优化与显式计划：提升特定领域规划能力
RePrompt方法通过优化LLM代理的提示，使其在特定领域中学会规划，在PDDL生成和旅行规划任务中提高了性能。另一项研究将显式计划纳入推理过程，使模型能预见未来效果，从而做出更明智的决策，在多项选择题回答任务中表现与GPT-3-davinci相当，尽管参数只有约15B。这些工作表明，提示工程和显式计划是增强LLM规划能力的有效手段。
Q&A
AdaPlanner 是什么，它的主要优势是什么？
AdaPlanner 是一种基于闭环反馈的语言模型智能体，能够自适应地改进生成的计划，其在 ALFWorld 和 MiniWoB++ 环境中的表现优于现有基线算法。
SimPlan 方法与传统规划技术有什么不同？
SimPlan 是一种新颖的混合规划方法，结合了大型语言模型和经典规划技术，实验结果显示其在各种规划领域明显优于现有基于 LLMs 的规划器。
Meta-Task Planning (MTP) 是如何简化任务规划的？
MTP 通过将复杂任务分解为次级任务或元任务来简化任务规划，并将每个元任务映射为可执行动作。
RePrompt 方法的主要功能是什么？
RePrompt 方法通过优化 LLM 代理的提示，提升了在特定领域的规划能力，实验结果证明其在 PDDL 生成和旅行规划任务中提高了性能。
PPDPP 方法在主动对话中有什么优势？
PPDPP 方法通过可调节的语言模型插件提高 LLMs 的主动性，实验证明其在谈判、情感支持和辅导对话等应用中表现优异。
大型语言模型在自动规划中面临哪些挑战？
大型语言模型在自动规划中面临的挑战包括预训练数据的有效性、微调方法及任务分解等方向的进展与挑战。
