基于能力接地的智能体规划

CGAP 用经典规划器替代试错式工具调用，基准最高提升 28.9 分。

资讯摘要

论文提出 Capability-Grounded Agentic Planning（CGAP），不再让 LLM 通过试错选择工具调用，而是先分析请求需要什么、工具能提供什么：将工具目录确定性地编译为 PDDL 模型，由 LLM 把请求转成目标，再用经典规划器求解。由于工具输出未知，模型只跟踪哪些输入可用而非具体值；执行时由 LLM 补充抽象计划遗漏的实体级调用，并用确定性检查拒绝破坏计划的调用，参数须来自可引用来源，结果经 LLM 验证器核对后才算交付。作者报告在 ToolSandbox、ComplexFuncBench、BFCL 多轮和 τ²-bench retail 上，用三个 LLM 测试，较标准工具调用智能体最高提升 28.9 分。

要点速读

1. CGAP 将工具目录确定性编译为 PDDL 模型，由 LLM 生成目标后交给经典规划器求解。
2. 执行阶段由 LLM 补充实体级调用，确定性检查拒绝破坏计划的调用，参数须有可引用来源。
3. 作者报告在四个基准、三个 LLM 上较标准工具调用智能体最高提升 28.9 分。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/3 08:00:27（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。