PlanGEN: Um Framework Multiagente para Gerar Planejamento e Trajetórias de Raciocínio para Solução de Problemas Complexos

PlanGEN: A Multi-Agent Framework for Generating Planning and Reasoning Trajectories for Complex Problem Solving

February 22, 2025

Autores: Mihir Parmar, Xin Liu, Palash Goyal, Yanfei Chen, Long Le, Swaroop Mishra, Hossein Mobahi, Jindong Gu, Zifeng Wang, Hootan Nakhost, Chitta Baral, Chen-Yu Lee, Tomas Pfister, Hamid Palangi

cs.AI

Resumo

As estruturas de agentes e algoritmos de inferência recentes frequentemente enfrentam dificuldades com problemas de planejamento complexos devido a limitações na verificação de planos gerados ou no raciocínio e na complexidade variável de instâncias dentro de uma única tarefa. Muitos métodos existentes para essas tarefas realizam verificação em nível de tarefa sem considerar restrições ou aplicam algoritmos de inferência sem se adaptar à complexidade em nível de instância. Para lidar com essas limitações, propomos o PlanGEN, um framework de agente independente de modelo e facilmente escalável com três componentes-chave: agentes de restrição, verificação e seleção. Especificamente, nossa abordagem propõe verificação iterativa guiada por restrição para aprimorar o desempenho de algoritmos de tempo de inferência - Best of N, Tree-of-Thought e REBASE. No framework PlanGEN, o agente de seleção otimiza a escolha do algoritmo com base na complexidade da instância, garantindo uma melhor adaptabilidade a problemas de planejamento complexos. Resultados experimentais demonstram melhorias significativas em relação à linha de base mais forte em vários benchmarks, alcançando resultados de ponta em NATURAL PLAN (sim8%uparrow), OlympiadBench (sim4%uparrow), DocFinQA (sim7%uparrow) e GPQA (sim1%uparrow). Nossa descoberta chave destaca que a verificação iterativa guiada por restrição melhora os algoritmos de tempo de inferência, e a seleção adaptativa impulsiona ainda mais o desempenho em problemas complexos de planejamento e raciocínio.

English

Recent agent frameworks and inference-time algorithms often struggle with complex planning problems due to limitations in verifying generated plans or reasoning and varying complexity of instances within a single task. Many existing methods for these tasks either perform task-level verification without considering constraints or apply inference-time algorithms without adapting to instance-level complexity. To address these limitations, we propose PlanGEN, a model-agnostic and easily scalable agent framework with three key components: constraint, verification, and selection agents. Specifically, our approach proposes constraint-guided iterative verification to enhance performance of inference-time algorithms--Best of N, Tree-of-Thought, and REBASE. In PlanGEN framework, the selection agent optimizes algorithm choice based on instance complexity, ensuring better adaptability to complex planning problems. Experimental results demonstrate significant improvements over the strongest baseline across multiple benchmarks, achieving state-of-the-art results on NATURAL PLAN (sim8%uparrow), OlympiadBench (sim4%uparrow), DocFinQA (sim7%uparrow), and GPQA (sim1%uparrow). Our key finding highlights that constraint-guided iterative verification improves inference-time algorithms, and adaptive selection further boosts performance on complex planning and reasoning problems.