规划器
多代理系统中由一个专门LLM实例承担任务分解职责的经典组件，将高层问题拆成子任务分派给执行代理后汇总结果
时间轴 (近 90 天)
在训练过程中，尽管没有显式监督，智能体的规划器发展出的表征能够以高精度重建闵可夫斯基度规的因果结构。
规划器评估的性能受任务设计、奖励函数、优化算法、模型架构以及模拟环境保真度等多种因素影响，且计算成本高昂、难以跨模型比较。
HoloBoxing 采用分层控制架构：冻结一个预训练的全身控制器，只训练上层的紧凑规划器。
规划器是多代理系统中的经典组件，通常由一个专门的LLM实例承担任务分解职责，把用户的高层问题拆成子问题或子任务，再分派给执行代理，最后汇总结果。
TinyFish的深度研究系统放弃了独立的规划器（planner）和按查询拆分的子代理（per-query subagents）。
TinyFish的工程团队发现，独立规划器与按查询拆分的子代理这种分层结构在深度研究场景下会带来协调开销与信息损耗。
大多数AI智能体框架缺乏对计划有效性的显式检查机制，规划器通常被设计为一次性规划而非持续重规划。
基于LLM的规划器不依赖形式化的状态空间搜索，而是依靠语言模型的常识和推理能力生成计划，因此缺乏对计划前提条件的显式建模。
全部知识事实 (8)
在训练过程中，尽管没有显式监督，智能体的规划器发展出的表征能够以高精度重建闵可夫斯基度规的因果结构。
50%待验证规划器评估的性能受任务设计、奖励函数、优化算法、模型架构以及模拟环境保真度等多种因素影响，且计算成本高昂、难以跨模型比较。
50%待验证HoloBoxing 采用分层控制架构：冻结一个预训练的全身控制器，只训练上层的紧凑规划器。
50%待验证规划器是多代理系统中的经典组件，通常由一个专门的LLM实例承担任务分解职责，把用户的高层问题拆成子问题或子任务，再分派给执行代理，最后汇总结果。
50%待验证TinyFish的深度研究系统放弃了独立的规划器（planner）和按查询拆分的子代理（per-query subagents）。
50%待验证TinyFish的工程团队发现，独立规划器与按查询拆分的子代理这种分层结构在深度研究场景下会带来协调开销与信息损耗。
50%待验证大多数AI智能体框架缺乏对计划有效性的显式检查机制，规划器通常被设计为一次性规划而非持续重规划。
50%待验证基于LLM的规划器不依赖形式化的状态空间搜索，而是依靠语言模型的常识和推理能力生成计划，因此缺乏对计划前提条件的显式建模。
50%