Coding Agents for Generalized Task and Motion Planning Problems
编码智能体求解广义任务与运动规划问题
🧭 Coding Agent 自动化 TAMP 程序合成
编码智能体在28个仿真环境中自动合成可泛化的TAMP程序，成功率56%–95%，超越手工规划器与LLM基线
📌 工作参考价值
- 合成与执行解耦，离线产出可部署策略：LLM 在沙盒里把规则写成确定性代码，在线只跑代码而非每次 LLM 推理，文中平均每实例计算量降低一个数量级。电商 Agent 做选品、出价、推荐策略时，可让 LLM 在历史日志或仿真环境中生成 Python/SQL 函数，离线验证后部署，节省线上 token 成本与延迟。
- 固定合成预算 + 大规模留出评估：用 980 个程序 × 100 实例做统计评估，比单次 one-shot 更有说服力。业务 Agent 评测可仿照：给每个 agent 固定交互步数，在留出日志或 synthetic users 上跑多组实验，避免只报平均值而忽略环境难度分布。
- 用交互校准模型、测试边缘 case：日志显示 agent 会主动构造极端场景来修正物理模型。推荐/广告 Agent 可提供 shadow traffic 或合成用户，允许其在受限交互中做反事实测试和自我纠错，而不是只做被动 rollout。
- 保留完整 prompt 与程序 trace：可复现性做法值得借鉴；业务中要求 Agent 输出中间程序并记录决策轨迹，便于审计、调优和上线回滚。
动机：TAMP 问题因离散决策与几何、运动、动力学约束高度耦合而难以求解；Generalized TAMP 希望利用跨实例规律降低新实例的规划成本，但现有方法依赖大量 TAMP 专门工程。本研究尝试用编码智能体自动合成可泛化的规划程序，替代人工工程。
方法：给定任务描述和仿真器访问权限，每个 agent 在固定合成预算内自主选择如何与环境交互，逐步开发一个程序；合成结束后冻结程序，在未见实例上评估。评估对象包括 Claude Code (Opus 5) 和 Codex (GPT-5.6 Sol、GPT-6 Astra)，覆盖 28 个仿真环境，来自 KinDER 和 PDDLStream，对象数量超出原基准。共评估 980 个生成程序，每个在 100 个 held-out 实例上运行，总计 98,000 个评估 episode。
结果：三个 agent 配置的平均成功率在 56%–95% 之间，显著高于手工规划器的 47%（仅限 16 个可用规划器的环境），也超过 one-shot 生成和基于 LLM 的 generalized planning 基线。随着对象数量增加，agent 程序保持更高成功率，且平均每实例计算量比规划器少一个数量级。日志显示 agent 会利用交互校准物理模型、测试边缘情况并优化策略。代码和完整 prompt 已发布。