重访大语言模型的旅行规划能力

旅行规划是长程推理的关键任务，暴露了大语言模型的显著缺陷。现有基准多以端到端方式评估最终计划，缺乏可解释性且难以分析失败根源。为此，我们将旅行规划分解为约束提取、工具使用、计划生成、错误识别与纠正五个原子子能力，并利用预言机中间上下文实施解耦评估协议，以隔离组件并测量原子性能边界。结果表明，模型擅长提取显式约束，但在推断隐式需求、计划结构及自我纠正方面存在严重不足。