Dies ist Kapitel 7 der Serie 'The Learn Arc', das sich mit Active Inference, POMDPs, ausgeklügelter Planung und Dirichlet-Lernen befasst. Es vertieft das Verständnis von hierarchischen Agenten und glaubenspropagierter Baumsuche und ist ein zentraler Teil der Serie.
PIVOT (Plan-Inspect-eVOlve Trajectories) adressiert die Fehlstellung zwischen Planung und Ausführung in LLM-Agenten durch ein selbstüberwachtes Framework. Es verfeinert Trajektorien iterativ durch Umgebungsinteraktion und zeigt in empirischen Bewertungen Spitzenleistung.
Diese Forschung untersucht die Verwendung eines agentischen Sprachmodell-Feedback-Frameworks zur Generierung hochwertiger Planungsdomänen aus erweiterten natürlicher Sprachbeschreibungen. Sie bewertet den Einfluss verschiedener symbolischer Feedback-Mechanismen, wie Landmarks und Planvalidierungsergebnissen, in Verbindung mit heuristischer Suche im Modellraum, um die Domänenqualität zu optimieren.
Diese Arbeit untersucht, wie faktorierte Aufgaben, eine klassische Planungsrepräsentation, in SAT kodiert werden können. Sie schlägt mehrere Strategien zur Übersetzung der faktorisierten Übergangsrelation in die Aussagenlogik vor und analysiert den Einfluss von Aufgabenumwandlungen auf die Leistung SAT-basierter Planer.