本研究探讨了大型语言模型（LLMs）在自动规划中的应用，发现其自主生成计划的能力有限。通过引入LLM + P框架和RAP推理框架，研究表明LLMs在启发式模式下能改善其他智能计划器的搜索过程。此外，提出了LLM-模块化框架，结合外部验证器以提高规划和推理的准确性，解决了LLMs在多步推理中的不一致性问题。

本文探讨了大型语言模型（LLMs）在复杂旅行规划中的应用与挑战，提出了一种结合经典规划方法的交互规划框架，显著提升了规划能力。实验表明，LLMs在自主规划方面表现有限，但在启发式模式下能改善其他智能规划器的效果，旨在构建高效的旅行规划系统以应对多阶段任务。

本文探讨了大型语言模型（LLMs）在自主规划中的应用与挑战。研究表明，LLMs在自主规划能力上存在局限，但在启发式模式下能够改善其他智能计划器的搜索过程。通过实验，提出了混合方法SimPlan，其性能优于现有的LLMs规划器。

本文探讨了大型语言模型（LLMs）在自动规划任务中的应用，发现其在自主规划方面表现有限，但在启发式模式下能改善其他智能计划器的搜索过程。研究提出了LLM + P框架，将经典计划器与LLMs结合，显示出更优的计划解决能力。实验表明，LLMs在路径规划和空间推理方面有潜力，但在复杂环境中的推广能力不足。

本文研究了LLLms在常识规划任务中的能力，通过国际计划竞赛评估了其在自主规划和启发式模式下的表现。发现LLLms在自主规划方面有限，但在启发式模式下，其生成的计划可以改善搜索过程并提供反馈验证计划质量。