通过对话探索规划空间：一种用于 LLM 介导规划解释的智能体框架

在自动化现实世界序列决策问题的规划生成时，目标往往不是取代人类规划者，而是促进迭代推理与需求 elicitation 过程，使人类能依据偏好和专业知识的引导 AI 规划器。在此背景下，响应用户提问的解释对于提升其对潜在方案的理解及增强系统信任至关重要。为此，本文提出了一种与具体解释框架无关的多智能体大语言模型（LLM）架构，支持依赖用户和上下文的交互式解释。此外，文章描述了该框架在目标冲突解释场景下的实例化，并通过用户研究对比了基于 LLM 的交互与基于模板的传统解释界面。