SGA-MCTS：通过免训练的原子经验检索解耦规划与执行

LLM驱动的系统需要复杂的多步决策能力来解决真实世界任务，但现有规划方法面临推理时搜索的高延迟与监督微调有限泛化之间的权衡。为解决这一局限，我们提出SGA-MCTS，一个将LLM规划转化为非参数检索的框架。离线阶段，我们利用蒙特卡洛树搜索（MCTS）探索解空间，并将高保真轨迹蒸馏为状态-目标-动作（State-Goal-Action, SGA）原子。这些原子是去词汇化的原语，将具体实体抽象为符号槽位，在保留可复用因果逻辑的同时丢弃领域特定噪声。在线阶段，检索增强的智能体采用符号-语义混合机制获取相关SGA，并将其重新锚定到当前上下文中作为软推理提示。在复杂基准上的实证结果表明，该范式使冻结的开源权重模型无需任务特定微调即可匹配SOTA系统（如GPT-5）的性能。通过有效摊销搜索的沉重计算成本，SGA-MCTS以系统1的推理速度实现系统2的推理深度，使自主规划既可扩展又具备实时可行性。