2025_NIPS_Classical Planning with LLM-Generated Heuristics: Challenging the State of the Art with

文章核心总结

主要内容

该研究提出一种利用大型语言模型（LLMs）生成领域依赖启发式函数的新方法，用于经典规划问题。通过向LLM输入PDDL领域描述、示例任务、其他领域启发式示例及规划器代码，生成Python格式的候选启发式函数，经训练集评估筛选最优函数后，用于解决未见的分布外测试任务。实验基于Pyperplan规划器，在IPC 2023学习赛道的8个领域验证，结果显示LLM生成的启发式函数在求解任务数量、状态扩展效率上优于端到端LLM规划、传统领域无关启发式，甚至能与基于Fast Downward的C++实现的最先进启发式竞争。

创新点

1. 首次实现LLM自动生成领域依赖启发式函数，无需人工设计或领域特定训练，降低启发式构建成本。
2. 提出“生成-评估-筛选”流水线，通过多轮采样生成候选启发式，确保筛选出的函数泛化能力强，可复用於同领域新任务。
3. 验证了LLM生成的Python启发式能超越高度优化的C++实现启发式，突破了Python规划器性能局限，且推理成本远低于端到端LLM规划。
4. 证明LLM可通过推理领域逻辑结构生成启发式，而非单纯记忆，在全新或符号混淆的领域仍能有效工作。

---

翻译部分（Markdown格式）

Abstract

近年来，大型语言模型（LLMs）在诸多问题中展现出卓越性能，但在可靠规划方面仍存在不足。尽管已有针对性提升LLM规划能力的尝试，但其生成的