GATS：图增强树搜索+分层世界模型，让智能体规划告别LLM推理高成本
大型语言模型（LLM）智能体在多步规划任务中展现出潜力，但现有方法如 LATS（语言智能体树搜索）和 ReAct 在规划阶段严重依赖 LLM 推理，导致计算成本高昂且行为随机。最新研究 GATS（Graph-Augmented Tree Search）提出了一种全新框架，通过结合基于 UCB1 的系统性树搜索与分层世界模型，在推理阶段完全消除对 LLM 的调用，同时实现更优的规划性能。
核心设计：三层世界模型
GATS 的核心创新在于其三层世界模型，每一层负责不同粒度的动作预测：
- L1（精确符号动作匹配）：当智能体遇到已知动作时，直接使用符号匹配，零成本。
- L2（执行日志统计学习）：从历史执行日志中学习动作的统计规律，覆盖常见模式。
- L3（LLM 预测）：仅对未知或罕见动作调用 LLM 进行预测，作为兜底方案。
这种分层设计使得 GATS 在绝大多数情况下（尤其是已知或常见动作）无需 LLM 参与，仅在必要时才“求助”大模型，从而大幅降低推理开销。
性能表现：100% 成功率 vs 零 LLM 调用
在包含分支路径和死胡同的合成规划任务中，GATS 实现了 100% 成功率，而 LATS 为 92%，ReAct 仅为 64%。在涵盖编码工作流、网页导航、长周期任务等 12 个挑战性场景的综合压力测试中，GATS 依然保持 100% 成功率，LATS 降至 88.9%，ReAct 更是跌至 23.9%。
更关键的是，GATS 在规划阶段每任务零 LLM 调用（LATS 每任务需 37 次调用），且输出确定性计划，多次运行方差为零。
行业意义：从“LLM 即规划器”到“LLM 即知识源”
当前主流智能体框架（如 ReAct、LATS）将 LLM 同时作为推理引擎和知识源，导致每次决策都需调用模型，成本高、响应慢且结果不稳定。GATS 的思路是：将 LLM 降级为世界模型中的一层，仅用于处理未知情况，而将规划核心交给经典的树搜索算法（UCB1）与统计学习。
这种架构分离了“规划”与“知识”的职责：规划依赖确定性的搜索算法，知识则通过分层世界模型高效获取。对于企业级应用，这意味着智能体可以在保持高成功率的同时，将推理成本降低一个数量级，且行为可预测、可调试。
局限与展望
论文目前主要在合成环境和有限场景中验证，真实世界的开放域任务（如复杂对话、动态环境）尚未充分测试。此外，世界模型的 L3 层在遇到全新动作时仍需 LLM 支持，但频率已大幅降低。未来工作可能包括：将分层模型扩展到多模态场景，或探索更高效的统计学习替代 L3 层。
GATS 的发布标志着智能体规划领域的一个重要转向：系统性的搜索与结构化知识，或许比依赖 LLM 的“直觉”更可靠、更经济。