GRASP: Generating, Revising, and Assessing for Strategic Planning with Agentic AI

一句话概括

GRASP 把复杂任务的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，在多个规划基准上稳定超过直接让 LLM 出计划的基线，并在多任务并行时抹平性能退化。

任务与方法：面向复杂任务的自然语言可执行计划生成，提出策略感知的多阶段规划框架 GRASP，含 GenPlan、RevPlan、VerPlan 三个上下文隔离模块。
关键数字：Natural Plan Calendar Scheduling 提升约 12.4%，ZebraLogic 提升约 30.8%，交错双任务绝对准确率提升最高达 16.7%，超过 GPT-5-mini 14.5 个百分点。
多任务表现：标准规划器在多任务扩展下出现性能崩溃，GRASP 抹平了多任务退化惩罚。
数据与开源：SciBench Math 上也有提升，但具体数值摘要未给出；数据集规模、基线配置、开源情况摘要未给出。

LLM 的能力不随任务复杂度线性增长。任务越复杂、约束越多、需要协调的子目标越多，模型可靠性反而下降。

规划任务尤其明显：模型要输出一段可执行的自然语言计划，既要满足全局目标，又要在每一步做局部合理的选择。

直接让 LLM 一次性生成计划有几个结构性弱点：

作者的核心判断是：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。这既是对「上下文污染」的对策，也是工程上的分工。

GRASP 是策略感知（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）。它不针对某一步动作，而是先确定整个计划应遵循的高层策略与约束，相当于给后续局部决策设定一部「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。每个候选策略在独立上下文里展开，彼此不干扰，避免了单一上下文里的路径依赖。产出是若干条可比较的候选轨迹。

VerPlan（评估）：用独立的多准则判别器（multi-criteria discriminator）给候选轨迹打分。判别器与生成过程分离，因此能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：先定宏观规则，再在隔离环境里试探局部走法，最后用独立裁判挑出最优轨迹。作者强调的「严格宏观正则化」（strict macro-regularization）指宏观准则对局部探索形成强约束，防止修订阶段跑偏。

摘要给出的量化结果如下：

需要谨慎的地方：

GRASP 的思路不算全新。「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，并给出跨多个基准的一致收益。

这提示一个可能：当前 LLM 规划失败的主要来源或许不是「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，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。

多阶段流水线意味着多次模型调用，推理成本与延迟会高于单次直接生成。摘要未给出成本或 token 消耗对比，「性能提升是否值得这些额外开销」无法判断。
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可靠，摘要未给出。判别器一旦有系统性偏差，筛选环节会放大这种偏差。
宏观准则的质量依赖任务先验。结构清晰的任务容易写出有效准则，但开放域、目标本身模糊的任务上，宏观准则可能反而成为束缚。摘要未讨论这类任务的表现。
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。如果基线是朴素单次提示，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。
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。