GATS：使用分层世界模型进行图增强树搜索，以实现高效代理规划

arXiv:2607.08894v1 公告类型：新 摘要：大型语言模型 (LLM) 代理在多步骤规划任务中显示出前景，但 LATS（语言代理树搜索）和 ReAct 等现有方法在规划过程中严重依赖于 LLM 推理，导致计算成本较高且行为随机。我们提出了 \textbf{GATS} （图形增强树搜索），这是一种规划框架，它将基于 UCB1 的系统树搜索与分层世界模型相结合，以消除推理过程中的 LLM 调用，同时实现卓越的规划性能。我们的三层世界模型集成了：（L1）精确的符号动作匹配，（L2）从执行日志中学习的统计数据，以及（L3）基于 LLM 的未知动作预测。在具有分支路径和死胡同的综合规划任务中，GATS 实现了 \textbf{100\% 成功率}，而 LATS 为 92%，ReAct 为 64\%。在涵盖 12 个具有挑战性的场景（包括编码工作流程、网络导航和长期任务）的全面压力测试中，GATS 保持 \textbf{100\% 成功}，而 LATS 下降至 88.9%，ReAct 下降至 23.9%。 GATS 在计划期间要求 \textbf{每个任务零个 LLM 调用}（而 LATS 的每个任务需要 37 个 LLM 调用），并生成跨运行方差为零的确定性计划。我们的结果表明，使用学习世界模型进行系统搜索可以大大优于 LLM 引导的代理规划探索。