本研究提出了一种利用大型语言模型（GPT-4o）自动生成适应性网络的方法，以解决动态环境下自适应规划的不足。实验结果表明，该方法生成的网络在通用性上优于手动构建的网络，推动了机器人、自动驾驶汽车和智能系统等领域的发展。

本研究提出了GenPlan框架，克服了离线强化学习在多任务决策中的局限性。通过生成序列建模，显著提升了对新环境的适应能力，实验结果显示其在自适应规划任务中的性能超过现有方法10%以上。