ИССЛЕДОВАНИЕ · RESEARCH · #2980
Capability‑Grounded Agentic Planning (CGAP) — планирование на PDDL для LLM‑агентов (arXiv:2610.41040v1)
В препринте arXiv:2610.41040v1 представлен метод Capability‑Grounded Agentic Planning (CGAP): каталог инструментов детерминированно компилируется в абстрактную PDDL‑модель, LLM переводит запрос в цели, классический планировщик решает модель, а при исполнении LLM подставляет специфичные вызовы инструментов, а детерминированные проверки и LLM‑верификатор подтверждают соответствие результата запросу. В экспериментах с тремя LLM на наборах ToolSandbox, ComplexFuncBench, BFCL multi-turn и tau^2-bench retail CGAP опередил стандартного агента с вызовом инструментов до 28.9 пункта.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- В препринте arXiv:2610.41040v1 представлен метод Capability‑Grounded Agentic Planning (CGAP): каталог инструментов детерминированно компилируется в абстрактную PDDL‑модель, LLM переводит запрос в цели, классический планировщик решает модель, а при исполнении LLM подставляет специфичные вызовы инструментов, а детерминированные проверки и LLM‑верификатор подтверждают соответствие результата запросу.
- В экспериментах с тремя LLM на наборах ToolSandbox, ComplexFuncBench, BFCL multi-turn и tau^2-bench retail CGAP опередил стандартного агента с вызовом инструментов до 28.9 пункта.
- CGAP объединяет символическое планирование с генерацией целей и верификацией через LLM, что повышает надёжность и исполнимость многошаговых планов при выполнении сложных задач агентами на основе LLM.
ПОЧЕМУ ЭТО ВАЖНО
CGAP объединяет символическое планирование с генерацией целей и верификацией через LLM, что повышает надёжность и исполнимость многошаговых планов при выполнении сложных задач агентами на основе LLM.