如何赋予 LLM Agent 规划能力？

在 Agent 的设计中，“规划能力”至重要。请谈谈目前有哪些主流方法可以赋予 LLM 规划能力？（例如 CoT, ToT, GoT等）

规划能力是衡量Agent智能水平的核心指标，它决定了Agent能否有效地将复杂目标分解为可执行步骤。目前，赋予LLM规划能力的主流方法，从简单到复杂，大致可以分为以下几个层次：

1. 基于提示的隐式规划 (Prompt-based Implicit Planning):

   • Chain of Thought (CoT): 这是最基础的规划方法。通过在提示中加入“Let’s think step by step”，引导LLM生成一个线性的、一步接一步的思考过程。这个思考过程本身就是一种简单的计划。
     • 优点： 实现简单，无需修改模型。
     • 缺点： 规划是线性的，无法进行探索和回溯。一旦某一步出错，整个计划很可能失败。
   • ReAct 框架: ReAct将CoT与行动结合，使得规划成为一个动态过程。每一步的“思考”都是基于前一步“观察”的重新规划，比CoT更具鲁棒性。

2. 基于搜索的显式规划 (Search-based Explicit Planning):

   • 这类方法将规划问题形式化为一个搜索问题，通过探索不同的“思考”路径来寻找最优解。

   • Tree of Thoughts (ToT):

     • 核心思想： ToT将规划过程构建为一棵“思维树”。从一个初始问题开始，LLM会生成多个不同的、并行的思考路径（树的分支）。
     • 工作流程： 它采用标准的树搜索算法（如广度优先或深度优先搜索），在每一步都对当前的所有“思维节点”（叶子节点）进行评估（通常也由LLM自己打分），然后选择最有希望的节点进行下一步的扩展。
     • 优点： 允许模型进行探索、评估和回溯，能解决需要深思熟虑或多路径探索的复杂问题。
     • 缺点： 计算开销大，因为需要维护和评估一整棵树。

   • Graph of Thoughts (GoT):

     • 核心思想： GoT是对ToT的进一步泛化。它认为思维过程不一定是树状的，而更可能是图状的。
     • 工作流程： GoT允许不同的思维路径（分支）进行合并（Merge），将多个子问题的解汇集起来形成一个更复杂的解。它还允许循环（Cycle），使得思维过程可以迭代地优化和精炼。
     • 优点： 提供了比树更灵活的思维结构，能够解决需要整合不同信息流或迭代改进的、更复杂的规划问题。
     • 缺点： 结构和实现比ToT更复杂。

3. 基于任务分解的规划 (Task Decomposition Planning):

   • 方法： 训练或提示LLM充当一个“规划器”，将主任务显式地分解成一个依赖图或一个步骤列表。然后，另一个“执行器”LLM（或同一个LLM扮演不同角色）再去逐一完成这些子任务。
   • 优点： 结构清晰，易于管理和监控任务进度。
   • 缺点： 对LLM的分解能力要求很高，且预先分解的计划可能缺乏对动态变化的适应性。