適用於通用任務與運動規劃（TAMP）問題的程式設計代理
為何重要
本研究驗證了通用程式設計代理（LLM）不再僅限於寫作軟體，而是能夠演繹域特定邏輯（如機器人運動規劃）。這暗示日後機器人或系統的開發藍圖，可能從「硬體調校+工程師手寫演算法」轉向「工程師設計提示、交給代理生成解決方案」，這將大幅降低運動控制等複雜領域的技術門檻。
任務與運動規劃（TAMP）難點在於離散決策與幾何動態約束的耦合。研究團隊提出利用程式設計代理，在受限預算下透過互動合成可泛化至新案例的程式，以解決現有方法的工程需求。
- 測試包含 Claude Code (Opus 5) 與 Codex (GPT-5.6 Sol、GPT-6 Astra) 等代理，在 KinDER 與 PDDLStream 28 個模擬環境中進行評估。
- 在 98,000 次的驗證程式中，代理生成的程式平均成功率（56%–95%）高於手動設計的規劃器（47%）。
- 隨著物體數量增加，代理仍能維持較高成功率，且平均計算量比規劃器少一個數量級。