Plan-and-Patch：用扩散语言模型生成和局部修补Agent计划

规划对于长期代理来说越来越重要，成功的执行需要协调多个步骤的子目标、工具使用和中间结果。然而，在规划过程中做出的假设可能会因环境而失效，工具可能会返回意外的结果，或者操作可能会失败。因此，有效的Agent不仅必须制定计划，还必须修改计划。这种修改通常只影响计划的一部分，而使前后结构保持不变。修复可以根据保留的前缀和后缀重新生成受影响的区域，而不是重新生成整个计划并冒不必要的更改的风险。我们引入了 Plan-and-Patch，这是一个计划与行动框架，其中扩散语言模型 (dLLM) 通过并行揭露生成结构化的、类似程序的计划，并通过填充选定区域同时保持周围步骤固定来修复它。我们将 DreamReasoner-8B 和 Qwen3-8B 作为扩散和自回归 (AR) 规划器进行比较。在没有特定任务训练的自然计划中，扩散（53.7%）实现了计划修复的近两倍 AR的成功率（27.0%）。在 agentic 基准、ALFWorld 和 TextCraft 上进行特定任务训练后，规划者在计划生成方面取得了类似的观察到的成功，而扩散相对于 AR 减少了平均计划生成延迟 39-46%。我们的结果表明，Plan-and-Patch 为长期代理中更快的计划生成和有效的计划修复提供了一个框架。