从假设到行动：将LLM推理转化为具身智能体的不确定性感知规划

在多智能体、部分可观测且去中心化的环境中运行的具身智能体，必须在对隐藏物体与协作者意图普遍不确定的情况下规划与行动。把大语言模型（LLM）应用于具身智能体的最新进展已解决许多长期挑战，例如高层目标分解与在线适应。然而，不确定性目前仍主要经由频繁的智能体间通信来缓解。当涉及人类伙伴时，这会带来可观的token与时间成本，并可能扰乱既定工作流。我们提出PCE（Planner-Composer-Evaluator）框架，它把LLM推理轨迹中潜藏的碎片化假设转化为结构化决策树：内部节点编码环境假设，叶子节点映射到动作；随后按场景可能性、目标导向收益与执行成本为每条路径打分，从而在不依赖重度通信的情况下指导理性动作选择。在两个具挑战性的多智能体基准（C-WAH与TDW-MAT）和三种不同的LLM骨干上，PCE在成功率与任务效率上持续超越以通信为中心的基线，同时token用量相当。消融结果表明，通过扩大模型容量或推理深度获得的性能增益在应用PCE后依然存在，而PCE在容量与推理深度两个尺度上都能持续抬升基线，证实结构化的不确定性处理与这两种扩展方式互补。用户研究进一步表明，人类伙伴认为PCE产生的沟通模式更高效、更可信。这些结果共同确立了把LLM潜在假设转化为可靠的不确定性感知规划策略的原则性途径。