编程胜于思考：高效稳健的多约束规划

多约束规划要求在满足多个可能冲突的约束下识别、评估并改进候选方案。现有大语言模型（LLM）方法在这一领域面临根本局限。纯推理范式依赖长的自然语言链条，随着约束叠加容易出现不一致、误差累积与高昂成本。相反，LLM结合编码或求解器的策略缺乏灵活性：它们常从零生成针对特定问题的代码，或依赖固定求解器，难以捕捉跨多样问题的可泛化逻辑。为应对这些挑战，我们提出可扩展代码规划引擎（Scalable COde Planning Engine，SCOPE），一个把查询特定推理与通用代码执行解耦的框架。通过分离推理与执行，SCOPE产出跨查询一致、确定且可复用的求解器函数，而只需对输入参数做极小改动。SCOPE在降低成本与延迟的同时取得最先进性能。例如，配合GPT-4o，它在TravelPlanner上达到93.1%的成功率，较最佳基线（CoT）提升61.6%，同时把推理成本降低1.4倍、时间缩短约4.67倍。代码发布于 https://github.com/DerrickGXD/SCOPE。