论文
迈向可靠稳健的LLM规划：符号反馈驱动的迭代自精化框架
Towards Reliable and Robust LLM Planning: Symbolic Feedback-Driven Iterative Self-Refinement Framework
摘要
大语言模型（LLM）受到学界与业界广泛关注——但其部署引发鲁棒性与可靠性的关键安全关切。规划作为智能行为的核心组件——对LLM仍具挑战——由于其固有复杂性——LLM在长程决策任务中常产出不可行或错误的解。本文提出符号反馈驱动的迭代自精化框架——增强LLM在长程规划中的鲁棒性与可靠性。具体地——引入自然语言提示机制——把逻辑符号映射为自然语言描述——使LLM更好捕捉任务约束与语义。我们进一步设计符号验证器——识别错误并把其转为LLM可解释的纠正指令——从而引导自精化。此外——我们利用计划识别器推断目标可达性——促成朝向期望目标的更有效引导。实证结果表明所提框架持续改进长程规划任务的可行性与正确性。这凸显其在增强基于LLM规划的可靠性上的有效性——以及实现更可信AI系统的潜力。
