大型语言模型（LLM）智能体在多步规划任务中展现出巨大潜力，但现有方法如LATS（语言智能体树搜索）和ReAct在规划过程中严重依赖LLM推理，导致计算成本高昂且行为随机。近期，研究人员提出了一种名为GATS（图增强树搜索）的新框架，该框架将基于UCB1的系统性树搜索与分层世界模型相结合，在规划期间无需任何LLM调用即可实现卓越的规划性能。
GATS的核心是其创新的三层世界模型。第一层（L1）负责精确的符号动作匹配，确保基本动作的正确性；第二层（L2）从执行日志中学习统计信息，利用历史数据指导搜索；第三层（L3）则使用LLM预测未知动作，处理未见过的场景。这种分层设计使得GATS能够在保持高准确性的同时大幅降低计算开销。
在包含分支路径和死胡同的合成规划任务中，GATS达到了100%的成功率，而LATS和ReAct分别仅为92%和64%。更令人印象深刻的是，在涵盖编码工作流、网页导航和长周期任务等12个挑战性场景的综合压力测试中，GATS依然保持100%的成功率，而LATS下降至88.9%，ReAct更是只有23.9%。
GATS的另一大优势是效率：每个任务在规划阶段需要零次LLM调用，相比之下，LATS每个任务需要37次调用。此外，GATS生成确定性计划，运行间的方差为零，提供了可重复和可靠的结果。这些结果表明，基于学习的世界模型进行系统性搜索可以大幅优于LLM引导的探索方法，为构建更高效、更可靠的AI智能体开辟了新道路。该研究由Maureese Williams和Dymitr Nowicki完成，论文于2026年7月9日提交至arXiv。