事件/论文概述

2026年7月，arXiv 上发布了一篇题为《GATS: Graph-Augmented Tree Search with Layered World Models for Efficient Agent Planning》的论文，作者为 Maureese Williams 和 Dymitr Nowicki。该论文提出了一种名为 GATS（Graph-Augmented Tree Search）的新型规划框架，旨在解决现有 LLM Agent 规划方法（如 LATS、ReAct）在推理时严重依赖 LLM 推理、计算成本高昂且行为随机的问题。GATS 通过结合基于 UCB1 的系统化树搜索与分层世界模型，在规划阶段完全消除 LLM 调用，同时取得了优异的规划性能。

关键技术点

GATS 的核心创新在于其三层世界模型与图增强树搜索的结合：

  1. 三层世界模型（Layered World Model）：

    • L1（精确符号动作匹配）：对于已知环境中的确定性动作，直接通过符号匹配预测结果，无需任何模型调用。
    • L2（执行日志统计）：基于历史执行日志学习动作的成功概率和转移分布，适用于常见但非完全确定的行为。
    • L3（LLM 预测）：仅对 L1 和 L2 无法覆盖的未知动作调用 LLM 进行预测，大幅减少 LLM 使用频率。

  2. UCB1 树搜索：采用经典的 Upper Confidence Bound (UCB1) 算法来平衡探索与利用，在树搜索过程中选择最有潜力的动作路径，而无需依赖 LLM 进行每一步的启发式推理。

  3. 零 LLM 调用：在规划推理阶段，GATS 完全不需要调用 LLM（仅可能在训练时或处理未知动作时用到 L3 层），而 LATS 平均每任务需要 37 次 LLM 调用。

  4. 确定性规划：由于搜索过程不依赖随机采样的 LLM 输出，GATS 的规划结果在同一输入下完全确定（零方差）。

对数据科学或 AI Agent 落地的意义

  • 成本大幅降低：LLM 调用的费用和时间开销一直是 Agent 系统部署的主要瓶颈。GATS 在多数场景下完全消除推理时的 LLM 调用，使得 Agent 规划可以更经济、更快速地执行。
  • 稳定性与可复现性：传统方法（如 LATS、ReAct）的随机性导致输出不可靠，难以在关键业务场景中落地。GATS 的确定性规划大大增强了系统的可预测性和可调试性。
  • 泛化能力：在12个复杂场景（包括编码工作流、网页导航、长时域任务）中 GATS 保持 100% 成功率，而 LATS 降至 88.9%，ReAct 仅 23.9%，表明其架构具有较强的鲁棒性。

我的技术点评

GATS 提出了一种优雅而实用的思路：在 Agent 规划中，与其每次依赖 LLM 做“思考”，不如先构建一个轻量级的世界模型，将大部分推理任务从 LLM 转移到结构化搜索和统计学习上。这种做法本质上借鉴了传统规划算法（如蒙特卡洛树搜索）与强化学习中模型学习的结合，但巧妙地用 LLM 作为“最后手段”来处理未知情况，从而在效率与泛化之间取得平衡。

需要指出的是，该方法依赖于环境可被建模为有限动作空间和可观测状态的前提。对于开放域、高度动态或动作空间极大的场景，L3 层的调用频率可能会上升，从而部分削弱其优势。论文中的实验虽然覆盖了12个场景，但仍有必要在更复杂的真实世界任务（如机器人操控、多 Agent 协作）中进一步验证。总体而言，GATS 为构建高效、低成本、可复现的 LLM Agent 提供了一个极具参考价值的新范式。

原文链接

arXiv:2607.08894