GATS：分层世界模型+图增强树搜索，实现高效智能体规划

当前基于大语言模型（LLM）的智能体在多步规划任务中展现出潜力，但LATS、ReAct等方法在规划过程中严重依赖LLM推理，导致计算成本高且行为具有随机性。近日，研究人员在arXiv上发布论文《GATS: Graph-Augmented Tree Search with Layered World Models for Efficient Agent Planning》，提出了一种创新的规划框架GATS（图增强树搜索）。

该框架将基于UCB1的系统化树搜索与三层世界模型相结合，在推理阶段完全消除LLM调用，同时实现更优的规划性能。三层世界模型包括：L1层（精确符号动作匹配）、L2层（从执行日志中学习的统计信息）和L3层（针对未知动作的LLM预测）。

在具有分支路径和死胡同的合成规划任务中，GATS实现了100%的成功率，而LATS为92%，ReAct仅为64%。在涵盖编码工作流、网页导航和长视野任务等12个挑战性场景的综合压力测试中，GATS保持100%成功率，LATS降至88.9%，ReAct降至23.9%。

值得注意的是，GATS在规划阶段对每个任务实现零LLM调用（LATS平均每个任务需37次调用），且生成的计划在不同运行间具有零方差，即完全确定性。研究结果表明，基于学习世界模型的系统化搜索在智能体规划方面能够显著超越LLM引导的探索方法。