GRASP: Generating, Revising, and Assessing for Strategic Planning with Agentic AI
一句话概括
GRASP 把「复杂任务的自然语言可执行计划生成」拆成生成、修订、评估三个上下文隔离的阶段，用全局宏观准则约束局部策略探索，并用独立的多准则判别器筛选轨迹，从而在多个规划类基准上稳定超过直接让 LLM 出计划的基线，并在多任务并行时几乎消除性能退化。
问题背景
论文关注的是一个已经被反复观察到的现象：LLM 的能力并不是随任务复杂度线性增长的，任务越复杂、约束越多、需要协调的子目标越多，模型的可靠性反而下降。在「规划」这类任务上尤其明显——模型需要输出一段可执行的自然语言计划，既要满足全局目标，又要在每一步做出局部合理的选择。
直接让 LLM 一次性生成计划（direct LLM planner）有几个结构性弱点。第一，全局目标与局部决策混在同一个上下文里，模型容易在长链条中丢失早期约束。第二，单一采样路径没有备选方案，一旦某一步走偏，错误会沿链条累积。第三，缺乏独立的评估环节，模型很难对自己的计划做批判性检查——生成者和评估者如果是同一个上下文，往往会倾向于认可自己刚写出的内容。
作者提出的核心判断是：与其让一个模型在一个上下文里同时做所有事，不如把规划流水线解耦成职责单一、上下文互相隔离的模块。这既是工程上的分工，也是对「上下文污染」这一失效模式的对策。
方法要点
GRASP 是一个 strategy-aware 的多阶段规划框架，包含三个模块：
GenPlan（生成）：预先编译全局的宏观准则（macro-guidelines）。这一步不针对具体某一步动作，而是先确定整个计划应当遵循的高层策略与约束，相当于给后续所有局部决策设定一个「宪法」。
RevPlan（修订）：在相互隔离的上下文窗口中探索不同的局部策略。因为每个候选策略在独立上下文里展开，彼此不会互相干扰，也就避免了单一上下文里「先入为主」的路径依赖。这一步的产出是若干条可比较的候选轨迹。
VerPlan（评估）：用一个独立的多准则判别器（multi-criteria discriminator）对候选轨迹打分。判别器与生成过程分离，因此可以相对中立地比较不同策略，而不是复述生成时的偏好。
整体逻辑可以概括为：先定宏观规则，再在隔离环境里并行试探局部走法，最后用独立裁判挑出最优轨迹。作者强调的「strict macro-regularization」指的是宏观准则对局部探索形成强约束，防止修订阶段跑偏。
关键结论（仅基于摘要可合理推断的部分；不确定处标明「摘要未给出」）
摘要给出的量化结果包括：
- 在 Natural Plan Calendar Scheduling 上，相对直接 LLM planner 提升约 12.4%；
- 在 ZebraLogic 上提升约 30.8%；
- 在 SciBench Math 上也有提升，但摘要未给出具体数值；
- 在多任务扩展（multi-task scaling）场景下，标准规划器会出现性能崩溃，而 GRASP「完全抹平了多任务退化惩罚」；
- 在交错双任务环境中，相对直接 LLM planner 的绝对准确率提升最高达 16.7%；
- 通过上下文隔离与严格宏观正则化，GRASP 超过前沿推理模型（如 GPT-5-mini）14.5 个百分点。
需要谨慎的地方：摘要没有说明这些数字对应的具体指标定义（是精确匹配、执行成功率还是别的）、数据集规模、基线配置，也没有给出方差或多次运行的稳定性信息。所谓「完全抹平」是一个强表述，摘要未给出其量化口径。此外，14.5% 的对比中 GPT-5-mini 的具体设置（是否同样做了多阶段提示、是否给了同等上下文预算）摘要未给出，因此这一比较的公平性无法从摘要判断。
读后思考 / 适用场景
GRASP 的思路本质上不新——「生成者与评估者分离」「先定策略再定动作」在规划与强化学习里都有对应传统。它的价值在于把这套分工用上下文隔离的方式落到 LLM 上，并且给出了跨多个基准的一致收益。这提示我们：当前 LLM 规划失败的一个主要来源可能不是「不会推理」，而是「在一个上下文里同时承担太多角色」。
适用场景上，最直接的是需要输出可执行步骤序列的任务：日程排布、约束满足类谜题、带计算的科学问题求解。多任务场景下的收益尤其值得注意——如果 GRASP 真能在并行任务增多时保持不退化，那它对需要同时处理多个规划请求的 agent 系统就有实际工程意义。
局限与开放问题
第一，多阶段流水线意味着多次模型调用，推理成本与延迟会显著高于单次直接生成。摘要没有给出任何成本或 token 消耗的对比，因此「性能提升是否值得这些额外开销」无法判断。
第二，VerPlan 的判别器本身也是模型，它的评判标准从何而来、是否可被生成模块「迎合」、在分布外任务上是否仍然可靠，摘要未给出。判别器一旦有系统性偏差，整个筛选环节就会放大这种偏差。
第三，宏观准则（GenPlan）的质量依赖任务先验。对于结构清晰的任务（日历排程、逻辑谜题）容易写出有效准则，但对于开放域、目标本身模糊的任务，宏观准则可能反而成为束缚。摘要未讨论这类任务上的表现。
第四，摘要报告的提升幅度较大，但缺少对基线提示工程强度的说明。如果基线是朴素的单次提示，那么部分收益可能来自「多阶段」这一形式本身，而非 GRASP 的具体设计。要确认各模块的独立贡献，需要消融实验，摘要未给出。
第五，多任务「完全抹平退化」这一结论如果成立会很有意思，但机制解释缺失：是上下文隔离起了作用，还是宏观准则提供了跨任务的一致锚点？这值得后续工作拆解。