DUPLEX：基于LLM驱动信息抽取的智能体双系统规划

摘要

尽管大语言模型（LLM）为机器人任务规划提供了语义灵活性，但其易受幻觉与逻辑不一致影响的特性限制了在长时程领域的可靠性。为弥合非结构化环境与严格规划综合之间的鸿沟，我们提出DUPLEX，一种智能体式双系统神经符号架构，将LLM严格限制于模式引导的信息抽取，而非端到端规划或代码生成。在该框架中，前馈式快速系统（Fast System）利用轻量级LLM从自然语言中抽取实体、关系等，并确定性地将其映射为规划领域定义语言（PDDL）问题文件，供经典符号规划器使用。为解决复杂或欠指定的场景，慢速系统（Slow System）仅在规划失败时被激活，利用求解器诊断信息驱动高容量LLM进行迭代反思与修复。在12个经典与家庭规划领域上的大量评估表明，DUPLEX在成功率和可靠性上均显著优于现有端到端及混合LLM基线。这些结果证实：关键不在于让LLM更好地规划，而在于将LLM限制在其擅长的部分——结构化语义落地——并把逻辑规划综合留给符号规划器。

DUPLEX：基于LLM驱动信息抽取的智能体双系统规划：论文配图 — 图 1：DUPLEX 架构概述。快速系统：非结构化输入由仅充当信息提取器的轻量级LLM进行解析。生成的结构化数据确定性地映射到问题 PDDL 文件，然后将其与域 PDDL 文件配对并由符号规划器求解。慢速系统：规划失败时，生成的规划器诊断会触发慢速系统，其中更大的 LLM 反映错误消息以修复问题 PDDL 文件，从而实现迭代重新规划。