GRASP：基于Agentic AI的策略规划生成、修订与评估

大语言模型（LLM）通常表现出随任务复杂度增加而可靠性下降的性能特征。我们通过提出GRASP——一个策略感知的多阶段规划框架——来应对为复杂任务生成高质量自然语言可执行计划的挑战。GRASP将规划流水线解耦到多个专门化、上下文隔离的模块：它预编译全局宏观准则（GenPlan），在隔离上下文窗口内探索局部备选策略（RevPlan），并使用多准则判别器独立评估轨迹（VerPlan）。实证评估表明，GRASP在多个数据集上持续确立新的最先进水平：在Natural Plan日程调度上较直接LLM规划器提升约12.4%，在ZebraLogic上提升约30.8%，并在SciBench数学上取得显著增益。关键是，在多任务扩展场景下——标准规划器会立即出现性能崩溃——GRASP完全消除了多任务退化惩罚。在交错双任务环境中，GRASP较直接LLM规划器取得最高16.7%的绝对准确率提升。此外，通过隔离上下文并施加严格的宏观正则化，GRASP以14.5%的优势超越前沿推理模型（如GPT-5-mini）。