本研究提出了一种结合大型语言模型（LLMs）与经典规划器的新方法，利用PDDL语言构建显式世界模型，从而提高计划的效率与准确性。实验结果表明，LLM + P框架能够有效解决复杂任务，生成高质量的计划，并显著减少错误。此外，研究还探讨了LLMs在自然语言与结构化计划语言之间的转换能力，发现其在翻译方面的表现优于规划。

该文综述大语言模型在规划与空间推理中的研究。GPT-4在少样本条件下展现规划潜力，但微调模型难以泛化；LLM擅长将自然语言目标翻译为计划语言，却在数字与物理推理上易失败且对提示敏感。多智能体框架、LLM+P结合经典规划器、LLM-Planner及PRER数学代理等可提升任务表现；在常识规划中LLM自主规划能力有限，但可作为启发式改进搜索。