PDDLCoder：面向LLM辅助符号规划的Agentic PDDL生成

LLM在长程规划上仍不可靠，常常生成逻辑不一致或不可执行的计划。近来的混合方法转而把自然语言翻译为规划领域定义语言（PDDL），让符号规划器产出可验证的计划。然而，现有方法常依赖僵化的生成流水线、不完整的PDDL定义或人工反馈；此外，缺乏带自动验证的标准化基准也阻碍了评估。为解决这些局限，我们提出PDDLCoder，一个从自然语言生成PDDL的agentic框架，迭代地生成、分析和精炼规划规约。我们还推出NL-pddlgym，一个包含23个领域711个规划问题的基准数据集，配备可执行的gym环境以自动验证计划可执行性。在包含4个保留领域106个问题的NL-pddlgym测试集上的实验表明，PDDLCoder为89.6%的受测规划问题生成可执行计划。这优于我们改编的既有PDDL生成方法（最高45.3%），也优于直接LLM规划方法（同一测试集上最高74.5%）。我们的工作证明了agentic PDDL生成对规划的有效性，并为未来LLM辅助符号规划研究建立了可复现的基准。