GRASP：利用智能体 AI 进行战略规划的生成、修订与评估

大型语言模型（LLM）通常呈现出这样一种性能特征：随着任务复杂度的提高，其可靠性会下降。针对复杂任务中生成高质量、可用自然语言执行的计划这一挑战，我们提出了 GRASP，一种具备策略感知能力的多阶段规划框架。GRASP 将规划流程解耦为多个专业化且上下文隔离的模块：预先编译全局宏观指导方针（GenPlan），在相互隔离的上下文窗口中探索局部替代策略（RevPlan），并使用多标准判别器独立评估各条轨迹（VerPlan）。实证评估表明，在多个不同数据集上，GRASP 始终建立了新的最先进水平，相较于直接使用 LLM 的规划器，在 Natural Plan Calendar Scheduling（约提升 12.4%）、ZebraLogic（约提升 30.8%）和 SciBench Math 上均取得了显著的准确率提升。尤其是在多任务扩展场景下——标准规划器会立即出现性能崩溃——GRASP 完全消除了多任务带来的性能退化惩罚。在交错双任务环境中，GRASP 相较于直接使用 LLM 的规划器，最高可实现 16.7% 的绝对准确率提升。此外，通过隔离上下文并实施严格的宏观正则化，GRASP 以 14.5% 的优势超越了前沿推理模型（如 GPT-5-mini）。