Planung

Schlussfolgern höherer Ordnung über die Schlussfolgerungsprozesse selbst, einschließlich Strategieauswahl und -überwachung

Automatisierter Planungsansatz, der komplexe Aufgaben mithilfe von Domänenwissen in hierarchisch strukturierte Netzwerke einfacherer Aufgaben zerlegt

Systematische Aufgabenzerlegung, Fortschrittsverfolgung und adaptives Workflow-Management für komplexe mehrstufige Prozesse

Systematische Aufschlüsselung komplexer Ziele in erreichbare, messbare Teilziele mit klaren Erfolgskriterien

Planungsansatz, der mehrere Constraints gleichzeitig erfüllt und dabei die Ziele optimiert

Planung mit mehreren Szenarien, die auf verschiedene mögliche Zukünfte und unsichere Bedingungen vorbereitet

Erzeugt den vollständigen Plan bzw. den Graphen der Tool-Aufrufe im Voraus, entkoppelt von den Tool-Beobachtungen, und führt ihn erst danach aus. ReWOO schreibt eine variablenparametrisierte Kette von Tool-Aufrufen, bevor irgendetwas läuft, und reduziert so redundante Modellaufrufe; LLMCompiler baut einen Abhängigkeits-DAG und versendet unabhängige Tool-Aufrufe parallel. Dies unterscheidet sich von ReAct, das einen Gedanken und eine Aktion nach dem anderen verschachtelt und jede Beobachtung erneut in den Prompt einspeist.

Der Agent führt ein explizites, bearbeitbares Todo- oder Plan-Artefakt (zum Beispiel einen write_todos-Tool-Aufruf oder eine todo.md-Datei) und schreibt es fortlaufend um und rezitiert es, während die Arbeit voranschreitet. Das erneute Ausgeben des sich entwickelnden Plans am Ende des Kontextfensters rückt das übergeordnete Ziel bei jedem Schritt wieder in die jüngste Aufmerksamkeit des Modells, was der Zielabweichung und dem „Lost in the Middle“-Vergessen über lange Durchläufe hinweg entgegenwirkt.

Der Agent unterhält ein Weltmodell (oder nutzt das LLM selbst als solches), das den nächsten Zustand und die Konsequenz jeder in Betracht gezogenen Aktion vorhersagt, und führt dann vorausschauende Rollouts („erst vorstellen, dann handeln“) aus, um eine Aktion zu bewerten und auszuwählen, bevor irgendetwas in der realen Umgebung ausgeführt wird. Dies überträgt modellbasiertes Reinforcement Learning auf Sprachagenten und ist vor allem dort von Bedeutung, wo Aktionen irreversibel sind und ein Zurückgehen auf einer live betriebenen Website oder GUI unmöglich ist. Abzugrenzen von scenario-planning, das über mehrere strategische Zukünfte ohne Aktions-Konsequenz-Simulator nachdenkt, und von reflective-mcts, das über Reasoning-Spuren statt über simulierte Umgebungszustände sucht.