- 日期：2026-10-28
- 读者：研究生、科研新人和工程型研究者
- 资料截止：2026-10-28；检索近12个月工作，保留相关经典研究。本文为证据深读，未运行模型实验，不声称全面覆盖。
摘要：一条走通的路，可能有不同来历
智能体连续完成检索、选取、填写和提交，看起来像先想好了全程。然而，同一条成功轨迹，也可能来自反复尝试后留下的最好分支，或者每走一步都由环境提示下一步。结果是真的，关于结果如何产生的解释却还没有确定。
本文对照形式化规划、语言智能体树搜索和规划诊断研究。当前证据支持部分模型能生成有效行动序列，也支持外部搜索改善系统表现；但仅展示成功轨迹，不能确定收益来自模型预见、熟悉策略、候选筛选还是环境反馈。“规划还是搜索”不是非此即彼：搜索本来就可以是规划的实现方式，真正要追问的是谁在表示状态、谁在提供未来、谁承担失败成本。形式化评测、网页树搜索
先分清目标、手段与证据
规划，是寻找能够从初始状态到达目标的行动安排；搜索，是在多个候选状态或行动序列之间展开、比较与舍弃。前者描述要解决的问题，后者描述一种求解手段。看到树形分支，不能据此否认规划；看到自然语言计划，也不能据此确认模型进行了可靠的未来推演。概念背景
状态表示回答“现在有什么、哪些条件成立”；转移规则回答“行动之后会改变什么”。例如搬箱子之前必须空手，搬走箱子之后原位置会空出来。这里是概念示例，不是论文中的实验结果。模型若只会复述行动名称，却忘记上一动作改变的条件，仍可能生成语言通顺但无法执行的计划。
还要区分三种“未来”。模型预测是在行动之前推测后继状态；环境试探是实际执行一个候选，再读取返回结果；符号模拟是根据给定规则计算后继状态。它们都能辅助选择行动，却拥有不同的信息来源。外部程序提供了精确转移，不意味着这些转移也已被语言模型独立掌握。
因此，成功至少有三种可区分解释：模型依据状态与约束提前组织行动；模型调用熟悉的策略模板并适配当前对象；系统通过更多分支和反馈筛掉错误。三者可以共存。研究任务不是凭输出风格选一个答案，而是设计改变条件后会产生不同预测的检验。
无工具生成有效计划，是怎样的证据？
Corrêa、Pereira和Seipp的研究在2026年修订版中，用新生成的PDDL任务评测前沿模型。PDDL是描述动作条件、效果与目标的形式语言。模型每题一次尝试，不启用工具；生成结果交给VAL验证器核验。输入还包括跨领域示例及提示清单。标准任务中，Gemini 3.1 Pro解出245/360题，Scorpion Maidu解出234题；符号名称混淆后，前者解出231题。§2、表1–2、附录B–C
这比展示几段漂亮对话更有约束力：方案必须满足明确规则，且测试实例是新生成的。它支持该模型在这些任务上具有可观察的计划生成能力，不能再用早期模型的失败概括所有后续模型。
但论文测量的是“找到任意有效计划”的覆盖数，不是最短方案保证；模型调用与经典规划器的资源也没有配成等成本。正文概称默认API设置，附录另列采样参数，因此本文以附录限定协议，不把覆盖领先写成效率领先。
名称混淆削弱了熟悉词义的帮助，却没有抹掉任务结构。作者也观察到模型能从结构认出部分领域。**本篇推断是：新实例加上符号改名，能降低某些直接记忆解释的可信度，却不足以排除学过的结构性解法。**没有在可见理由中说出领域名称，也不能证明内部没有利用相关先验。§2“Information leakage”、附录B
这不是贬低成绩。使用已学算法解决新实例，本来就是有价值的泛化；只是“在已知结构上适配策略”和“在新规则下建立可用状态模型”仍是两个需要分别测量的问题。
加入树搜索之后，成绩属于哪个系统？
LATS把语言模型生成动作、候选评估、树搜索和反馈结合起来。其WebShop设置评测50条指令，LATS、重复ReAct和Reflexion的迭代上限均为30；LATS每次扩展多个子节点。作者报告该设置下搜索改善表现，同时明确决策任务依赖环境能够回退。§4、§5.3、附录B
这里需要克制的是归因。“同样30轮”只对齐一种计数单位，不能自动变成相同调用数、词元数或观察量。树中一个迭代可以生成和评估多个候选。把系统提升全部叫作“基础模型更会规划”，会把控制程序与环境提供的帮助漏掉；反过来说“只是搜索所以不算能力”，也忽略了候选质量和评估质量对搜索的作用。
Koh等进一步在网页环境中搜索实际可达状态，用模型价值函数挑选分支。价值函数就是对候选状态是否值得继续的评分规则。GPT-4o在VisualWebArena的对应基线成功率为18.9%，加搜索后为26.4%；这组对照的最终执行步数上限均为5，搜索另外有深度、分支和评估预算。回溯通过重置再重放动作序列实现。§3–4、表2、附录A.4.1
**执行路径短，不等于只与环境交互了几次。**最终采用的五步之外，可能已有许多探测、评分和重放。这条结果能证明搜索系统在该协议中有用，不能证明模型无需探测就知道了这些网页的后续状态。
论文也将不可逆动作列为限制。§5.4 对研究者而言，这不是附带的部署提醒，而是任务定义的一部分：允许撤销的世界，把失败分支变成了信息；不能撤销的世界，失败分支可能直接改变目标是否仍可实现。两种环境里的同名“搜索预算”未必买到了同一种能力。
把计划拿出来打分，是否就看见了规划？
APB把完整方案生成与已有反馈条件下的后续步骤预测分开，还测试多余工具、故障工具和不可解任务。它使用参考答案辅助的模型评审，而不是PDDL式形式证明。正式论文报告，所测模型从预测一步扩展到三步时正确率下降；评审器与作者人工标注做了校准，但仍存在误差。§3、§5.2、附录D
这种拆解能帮助定位“会接着做一步，却不能稳定安排后续多步”的行为差异。不过，多步输出也增加了需要同时正确的环节，下降不能全部归因于某个特定内部机制。方案被评为合理，是诊断证据；它与在环境中执行成功仍不是同一个终点。
APB还在两个受控环境验证诊断修订的用途：修订组从同一初稿出发，获得一次评审反馈后再执行。评审器可以访问隐藏的环境监督，反馈有防泄漏约束；因此这是有额外诊断信息的系统对照，不能当作模型凭空自我纠正。论文也明确其框架不建模随机转移与信念状态更新。§5.1、附录C.10、Limitations
几项研究并不组成“会规划”和“不会规划”两个阵营。它们观察的对象不同：
| 证据入口 | 关键条件 | 观察到什么 | 还不能证明什么 |
|---|---|---|---|
| 形式化计划 | 给定规则，一次生成，事后验证 | 某些模型生成有效序列 | 最优性、等成本优势、内部算法 |
| LATS | 多分支、反馈、可回退 | 所测系统表现改善 | 收益全部来自基础模型 |
| 网页树搜索 | 实际试探、评分、重置重放 | 同一起点加搜索后的收益 | 不可逆环境中的同等收益 |
| APB诊断 | 固定任务材料、模型评审及受控执行验证 | 计划缺陷与修订价值 | 无误的机制测量、开放世界保证 |
怎样让两种解释给出不同预测？
图：原创分析框架，不是论文测量结果。上路表示预测候选后果，下路表示环境探测，两者都可进入选择、执行与验证。紫色虚线仅表示拟议干预；线条相交处不是额外连接。通过验证不反向证明内部推演，图中的勾选只代表候选被选中。
下面是尚未执行的后续实验设计。比起再收集一批成功截图，更值得保留整个搜索过程，并让信息来源成为可控制变量。
**第一组：先承诺预测，再允许行动。**固定模型、任务和观察历史，让它先写出候选动作的前提、后继状态与后续依赖，封存后才查询环境。对照组直接探测后再选择。记录预测错误发生在哪个状态，而不只看最后是否成功。若两组都成功，但无探测组反复预测错误，那么系统成功不能归因于准确预见。
这个设计也有边界：要求显式写状态可能额外消耗预算，并改变作答方式。因此应同时保留不要求状态报告的性能基线，避免把“不会按指定格式报告”直接解释成“没有状态表征”。
**第二组：分开改名字和改规则。**先做保持转移结构不变的符号重命名，再只改变一项动作前提或效果，并把新规则明确给模型。前者测试对表面表达的依赖，后者测试是否更新已有策略。任务需由独立求解器检查可解性，按结构划分开发与评测集合，不能让同一模板的近邻同时进入两边。
如果模型能处理新名字，却在新规则下坚持旧步骤，更符合策略迁移不充分的解释；若它能在多种未见规则上正确预测后果并调整行动，就增加了可迁移状态推演的证据。这里仍是行为支持，不是对内部实现的唯一证明。
**第三组：把回退权单独拿掉。**在可完全重置的模拟环境与具有不可逆状态变化的模拟环境中，分别比较一次规划、独立候选筛选和逐步树搜索。不可逆条件可以用消耗唯一道具等规则实现，不需要在真实网站冒险。每组都记录全部环境查询、模型词元、评估调用、重放次数和时间。
预算应画成性能随资源变化的关系，而非只报一个“同轮数”结果；若无法同时对齐所有资源，就分开报告各自约束。最终成功率之外，还应保留无效动作、错误停止和失败分支。这样才能看清一个方法是在更早排除坏方案，还是靠更多可撤销的试错补救。
总结：把能力声明写到证据能够到达的地方
成功轨迹说明系统走通过一条路；经独立验证的方案，进一步说明这条路满足给定规则。要判断模型是否提前掌握了动作后果，还需要行动前预测、规则干预与信息预算控制。
目前没有必要否认真实的规划进展，也不必把搜索当成反证。更有研究价值的表述是：**在什么状态信息、反馈权限和回退条件下，哪一部分系统变得更可靠；拿走这些条件之后，能力还剩多少。**这比给一段成功演示贴上“真正理解”或“只会试错”的标签，更接近可积累的证据。
参考资料
- Augusto B. Corrêa、André G. Pereira、Jendrik Seipp，Frontier Large Language Models Rival State-of-the-Art Planners，2025初稿、2026修订。arXiv v2全文。按预印本引用；未核实正式发表。v1题名为 The 2025 Planning Performance of Frontier Large Language Models，本文不混用两个版本的结果。
- Andy Zhou、Kai Yan、Michal Shlapentokh-Rothman、Haohan Wang、Yu-Xiong Wang，Language Agent Tree Search Unifies Reasoning, Acting, and Planning in Language Models，ICML 2024。正式页面；方法细节依据arXiv v3全文，正式PDF本次未成功读取。
- Jing Yu Koh、Stephen McAleer、Daniel Fried、Ruslan Salakhutdinov，Tree Search for Language Model Agents，TMLR 2025（2024初稿）。期刊论文目录确认发表；本文实验与限制依据2026年arXiv v4，OpenReview正式PDF访问受浏览器验证阻挡。
- Haoyu Sun、Wenxuan Wang、Mingyang Song、Jujie He、Weinan Zhang、Yang Liu、Yang Yang、Yu Cheng，Agent Planning Benchmark: A Diagnostic Framework for Planning Capabilities in LLM Agents，Findings of EMNLP 2026。正式页面与正式全文。arXiv最新v4未成功读取，本文关键论断回到正式全文核验。
作者作品推广
以下是作者自有产品推广。除了写技术博客，我也独立开发一些让日常更有条理的小工具，欢迎了解：
- 日常收支小记：记录日常收支，安排预算与储蓄目标，给每一笔钱安排好去处。在 App Store 了解。
- 一事微光：按当下的时间和精力选择小行动，记录完成后的感受与发现，让日常复盘从一件小事开始。在 App Store 了解。
更多技术文章与个人作品，欢迎访问我的网站：zffjzz.top，也欢迎分享使用感受。