GATS：带分层世界模型的图增强树搜索高效智能体规划

大语言模型（LLM）智能体在多步规划任务上展现前景，但LATS（语言智能体树搜索）与ReAct等既有方法在规划期间重度依赖LLM推理，导致高计算成本与随机行为。我们提出GATS（图增强树搜索）：结合基于UCB1的系统树搜索与分层世界模型的规划框架，在推理期消除LLM调用的同时取得更优规划表现。其三层世界模型集成：(L1) 精确符号动作匹配、(L2) 从执行日志学习的统计、(L3) 面向未知动作的LLM预测。在带分支路径与死路的合成规划任务上，GATS取得100%成功率，对比LATS的92%与ReAct的64%；在横跨编码工作流、网页导航与长程任务等12个挑战场景的综合压力测试中，GATS保持100%成功，LATS降至88.9%、ReAct降至23.9%。GATS规划期间每任务零LLM调用（LATS为每任务37次），并产出跨运行零方差的确定性计划。结果表明带学习世界模型的系统搜索可大幅胜过LLM引导的探索。