RPMS：通过规则增强记忆协同提升基于 LLM 的具身规划能力

针对大语言模型智能体在封闭世界具身环境中因严格前置条件及稀疏反馈导致的规划失败问题，本文提出 RPMS 架构。该方法通过结构化规则检索确保动作可行性，利用轻量级信念状态筛选记忆适用性，并采用“规则优先”仲裁机制解决冲突。实验表明，RPMS 在 ALFWorld 和 ScienceWorld 基准上显著提升了任务成功率，证明了情景记忆在显式规则约束下能有效辅助复杂环境下的多步规划。