从粗到细：面向LLM智能体的自适应分层规划

基于大语言模型的智能体近来已成为解决动态多步任务的有力方法。现有大多数智能体采用规划机制来指导其在动态环境中的长期行动。然而，当前规划方法面临一个根本局限：它们在固定的粒度层级上运行。具体而言，它们要么为简单任务提供过多细节，要么为复杂任务提供不足细节，无法在简单与复杂之间达到最优平衡。受认知科学中渐进细化（progressive refinement）原则的启发，我们提出AdaPlan-H，一种模拟人类规划策略的自适应分层规划机制。我们的方法从粗粒度的宏观计划起步，并依据任务复杂度逐步细化。它生成针对不同任务难度水平定制的自适应分层计划，可通过模仿学习和能力增强加以优化。实验结果表明，我们的方法显著提高任务执行成功率，同时在规划层面缓解过度规划，为多步复杂决策任务提供了灵活而高效的解决方案。为回馈社区，我们的代码与数据将在 https://github.com/import-myself/AHP 公开发布。