Plan-and-Patch框架发布：Diffusion语言模型革新智能体规划与修复效率

摘要：arXiv发布了一项关于智能体规划与修复的新研究，提出了名为Plan-and-Patch的框架。该框架利用扩散语言模型（dLLM）生成结构化的程序化计划，并通过选择性地修补受影响区域来修复计划，同时保持其余部分不变。与传统的自回归（AR）规划方法相比，Plan-and-Patch在计划修复成功率上实现了近两倍提升（53.7% vs 27.0%），并在特定任务训练后显著降低了计划生成延迟（减少39-46%）。这项研究展示了Plan-and-Patch在长时序智能体中实现高效计划生成与修复的潜力。

---

核心突破

Plan-and-Patch框架的核心创新在于利用扩散语言模型（dLLM）生成结构化的程序化计划，并通过选择性地修补受影响区域来修复计划，同时保持其余部分不变。这种方法避免了传统方法中重新生成整个计划带来的不必要变化，从而提高了效率并降低了计算成本。

技术机制剖析

1. 扩散语言模型（dLLM）：Plan-and-Patch使用dLLM生成初始计划，通过并行去掩码（parallel unmasking）技术生成结构化的程序化计划。
2. 计划修复机制：当环境变化或行动失败时，Plan-and-Patch通过修补受影响区域来修复计划，而不是重新生成整个计划。这种方法依赖于保留的前缀和后缀来指导修补过程。
3. 性能对比：在Natural Plan基准测试中，dLLM的修复成功率为53.7%，而自回归（AR）模型的修复成功率仅为27.0%。在ALFWorld和TextCraft任务上，dLLM在计划生成延迟上比AR模型减少了39-46%。

工程权衡与实测表现

• 优点：Plan-and-Patch框架在计划修复和生成效率上表现出色，特别是在长时序任务中，能够有效应对环境变化和行动失败。
• 缺点：dLLM的计算复杂度较高，可能对硬件资源有较高要求。此外，任务特定训练的需求需要大量标注数据。

开发者落地与部署建议

1. 硬件需求：建议使用高性能GPU来支持dLLM的计算需求。
2. 数据准备：确保有足够的任务特定数据用于训练，以提高计划生成和修复的准确性。
3. 集成建议：可以将Plan-and-Patch框架集成到现有的智能体系统中，以提升其规划和修复能力。

结论

Plan-and-Patch框架为长时序智能体的计划生成和修复提供了一种高效的方法，特别是在应对环境变化和行动失败方面表现出色。

---

消息来源：ArXiv AI (cs.AI) (2026-10-10)

—— 完 ——

主题标签： #Plan-and-Patch 关注 #Diffusion模型 关注 #智能体规划 关注 #长时序任务 关注