与行为森林解耦的旅行规划

由可执行步骤组成的行为序列是多约束规划问题（例如旅行规划）的操作基础。在此类任务中，每个规划步骤不仅受到本地约束，而且还受到跨越多个子任务的全局约束的影响，从而导致紧密耦合且复杂的决策过程。现有的旅行规划方法通常依赖于包含所有子任务和约束的单个决策空间，无法区分子任务内的局部作用约束和跨越多个子任务的全局约束。因此，模型被迫在每个决策步骤对局部和全局约束进行联合推理，增加了推理负担并降低了规划效率。为了解决这个问题，我们提出了行为森林方法。具体来说，我们的方法将决策过程构建为并行行为树的森林，其中每个行为树负责一个子任务。引入了全球协调机制来协调这些树之间的相互作用，从而实现模块化和连贯的旅行规划。在此框架内，大语言模型 作为决策引擎嵌入到行为树节点中，根据特定任务的约束执行局部推理，以生成候选子计划并根据协调反馈调整决策。反过来，行为树提供了指导 LLM 生成的显式控制结构。该设计将复杂的任务和约束解耦为可管理的子空间，从而实现特定于任务的推理并减少 LLM 的认知负荷。实验结果表明，我们的方法在 TravelPlanner 上比最先进的方法高出 6.67%，在 ChinaTravel 基准上比最先进的方法高出 11.82%，证明了其在提高复杂多约束旅行规划的 LLM 性能方面的有效性。