#Replanning

3 篇

HTN-Orchestrate: A Hierarchical Task Network Framework for Multi-Agent Orchestration

HTN-Orchestrate：面向多智能体编排的分层任务网络框架

🧭 多智能体编排 · 分层任务网络规划 ★ 深度解读

Nanyang Technological University · Apodex

两层 HTN 解耦全局规划与局部多智能体执行，结果驱动增量分解与重建，在多个 benchmark 超 Agent Team

📌 工作参考价值（4 点）

长链路电商/广告调研任务改造成双层 HTN：上层 Planner 只维护任务树和 sibling prerequisites（例如“先锁定竞品列表/人群画像 → 再生成文案/定价策略”），不要把整个 campaign 静态拆完；把满足 Ready 条件的叶子交给局部 Orchestrator，减少全局单点规划误差。
结果驱动分解，别一开始拆全量：对依赖前置结果的节点，等前置返回成功证据后再展开下游 prompt/worker；这能减少无效检索和 token 成本，论文消融显示可降低 worker invocations 和 Orchestrator rounds，同时精度更好。
失败重建带证据，而不是裸 retry：设置 epoch 上限和 CollectEvidence，把已验证候选、排除项、部分结论写入 evidence summary 再重建任务网络；适合搜推中的归因排查、商品信息补全、竞品调研等长链路任务。
叶子内多 worker 调度模式可直接复用：局部 Orchestrator 采用 dispatch/wait/finish，支持报告渐进收集、verifier 校验、并发上限和轮次上限，适合需要“并行检索 + 交叉验证”的推荐解释或广告素材生成。

MultiAgent | 2026-10-15 | cs.CL | score 8/10

Plover：以计划为中心的人机协同 GUI Agent 系统

🧭 GUI Agent 的可监督规划与交互修正

University of California, Davis · Bosch Research North America

通过将任务计划外化为可编辑的交互工件，让用户能局部修正 Agent 行为而保持进度

📌 工作参考价值（4 点）

在业务 Agent 中暴露执行计划：对搜索推荐系统的多步调用（如意图解析→召回→排序→文案生成），可将内部步骤结构化为可读的计划树，让产品或运营人员实时查看、暂停或修改中间决策。
支持局部编辑与进度保持：当 Agent 某一步出错（如误判意图），允许直接编辑该步参数或替换子任务，而不丢弃已完成的有效步骤，避免全盘重试带来的延迟和算力浪费。
结合自然语言与界面截图交互：对于电商后台配置、广告创编等 GUI 密集型任务，可以借鉴自然语言指导与截图标注干预，让领域专家无需懂代码即可修正 Agent 行为。
借助失败案例分析改进 Agent 设计：通过显式记录计划执行轨迹，分析哪些步骤易出错，定向优化提示或模型，或积累常见修正模式用于主动提示用户或自动修复。

Agent | 2026-07-16 | cs.AI | score 7/10

超越全局重规划：跨设备智能体的分层恢复

🧭 多设备 Agent 分层恢复框架

Shanghai Jiao Tong University · Shanghai Innovation Institute · Southeast University · Tsinghua University

提出 H-RePlan 分层重规划框架，分离设备局部策略恢复与全局重规划，结合 HeraBench 故障注入基准，大幅提升多设备 Agent 任务完成鲁棒性并降低 token 消耗。

📌 工作参考价值（4 点）

分层故障隔离与恢复：在电商搜索/推荐系统的多服务 Agent 编排中，可借鉴设备本地策略恢复与全局重规划分离的思路，区分 API 故障、参数错误等局部可修复错误与需要重新规划跨服务流程的全局错误，避免代价高昂的全量重试。
多策略执行器设计：为每个服务节点（如召回、排序、广告投放）定义可互换的执行策略（例如 API 调用、脚本回退、GUI 模拟），当一种方式失败时快速切换，提升局部自愈能力，增强整体系统的容错性。
故障注入测试基准：参考 HeraBench 构建方法，为推荐/搜索 Agent 工作流注入策略级（如服务超时、数据格式错误）和设备级（如节点宕机）故障，系统评估 Agent 在动态异常下的成功率与指令遵循度，指导鲁棒性优化。
紧凑跨层抽象通信：在全局编排器与局部执行器之间使用结构化故障信号（如错误码、策略空间状态），减少 LLM 对话轮次和 token 消耗，可用于多 Agent 协作的轻量级信息传递设计。

MultiAgent | 2026-06-18 | cs.CL | score 7/10