4、目标驱动与规划算法：目标表示方法、前向搜索规划、分层任务网络（HTN）、规划域定义语言（PDDL）基础

好，咱们今天聊点硬核的——目标驱动与规划算法。

你想想看，一个AI智能体，光有感知和反应是不够的。它得知道自己要干什么，怎么干。这就涉及到「规划」了。说白了，就是让AI学会「先做A，再做B，最后达成C」这套逻辑。

我在做自动化流程项目时，踩过不少坑。最典型的就是：智能体拿到目标后，完全不知道从哪下手。嗯，这就是规划能力缺失的表现。今天咱们就把这块补上。

4.1 目标表示方法

先聊目标怎么表示。你不能让AI去猜「我要变得更好」这种模糊指令。目标必须是结构化的。

我个人习惯把目标分成三类：

• 原子目标：不可再分的最小目标。比如「拿起杯子」。
• 复合目标：由多个原子目标组成。比如「倒水」=「拿起杯子」+「走到饮水机」+「按下出水键」。
• 状态目标：描述世界应该变成什么样。比如「杯子里有水」。

在实际项目中，我常用的是状态目标。为什么？因为智能体不需要关心过程，它只关心结果。你告诉它「最终状态是杯子满水」，它自己想办法。

举个例子。我曾经做一个仓储机器人项目，目标写的是「把货物从A移到B」。听起来没问题对吧？结果机器人把货物扔到B点就走了，完全不管货物有没有损坏。后来我改成「货物在B点且状态完好」，这才解决问题。

4.2 前向搜索规划

前向搜索，说白了就是「从当前状态出发，一步步试，直到找到目标」。

它的逻辑很简单：

1. 当前状态是S0
2. 看看有哪些动作可以执行
3. 选一个动作，执行，得到新状态S1
4. 检查S1是不是目标状态
5. 不是？继续。是？结束。

听起来像暴力搜索？没错，它就是。但你别小看它，在很多场景下它够用了。

代码实现其实不复杂：

def forward_search(initial_state, goal_state, actions):
    frontier = [(initial_state, [])]
    visited = set()
    
    while frontier:
        state, plan = frontier.pop(0)
        if state == goal_state:
            return plan
        
        if state in visited:
            continue
        visited.add(state)
        
        for action in actions:
            if action.is_applicable(state):
                new_state = action.apply(state)
                frontier.append((new_state, plan + [action]))
    
    return None  # 没找到规划

你看，核心就这几行。但实际项目中，你得考虑状态怎么比较、动作怎么定义、搜索顺序怎么优化。嗯，这些细节才是坑。

4.3 分层任务网络（HTN）

前向搜索有个硬伤——它不知道「先做什么后做什么」的常识。比如做菜，正常人知道先洗菜再切菜再炒菜。但前向搜索可能会先炒菜再洗菜，然后发现锅糊了。

HTN就是来解决这个问题的。它的思路是：把大任务拆成小任务，小任务再拆成更小的任务，直到拆成可以直接执行的动作。

我特别喜欢HTN的一点是：它符合人类的思维方式。你想想看，你做一个项目，是不是先定大目标，再拆成几个阶段，每个阶段再拆成具体任务？HTN就是干这个的。

HTN的核心概念有两个：

• 原始任务：可以直接执行的动作。比如「拿起螺丝刀」。
• 复合任务：需要拆解的任务。比如「组装桌子」。

每个复合任务都对应一个方法，方法告诉你怎么拆。比如「组装桌子」的方法可能是：

1. 先装桌腿
2. 再装桌面
3. 最后拧螺丝

我曾经做过一个手术机器人项目，用HTN来规划手术步骤。一开始方法写得特别细，结果机器人遇到血管位置偏移就停了。后来我改成「如果遇到异常，先暂停，重新评估」，这才跑通。

4.4 规划域定义语言（PDDL）基础

聊了这么多理论，总得有个工具来落地。PDDL就是干这个的。

PDDL是一种描述规划问题的语言。它把问题分成两部分：

• 域文件（domain）：描述动作、前提、效果。相当于「规则书」。
• 问题文件（problem）：描述初始状态、目标状态。相当于「具体任务」。

我刚开始学PDDL时，觉得它语法有点啰嗦。但用久了发现，这种分离设计其实很科学。域文件可以复用，问题文件可以换着来。

看个简单的例子。这是「搬箱子」的域文件：

(define (domain move-box)
  (:requirements :strips)
  (:predicates 
    (at ?obj ?loc)
    (box ?obj)
    (robot ?obj)
  )
  (:action move
    :parameters (?robot ?from ?to)
    :precondition (and (robot ?robot) (at ?robot ?from))
    :effect (and (not (at ?robot ?from)) (at ?robot ?to))
  )
  (:action push
    :parameters (?robot ?box ?from ?to)
    :precondition (and (robot ?robot) (box ?box) 
                       (at ?robot ?from) (at ?box ?from))
    :effect (and (not (at ?box ?from)) (at ?box ?to)
                 (not (at ?robot ?from)) (at ?robot ?to))
  )
)

问题文件长这样：

(define (problem move-box-problem)
  (:domain move-box)
  (:objects 
    robot1 - robot
    box1 - box
    roomA roomB - location
  )
  (:init 
    (at robot1 roomA)
    (at box1 roomA)
  )
  (:goal 
    (at box1 roomB)
  )
)

PDDL的规划器有很多，比如FastDownward、FF、LAMA。我个人常用FastDownward，因为它支持多种搜索策略，而且社区活跃。

嗯，说到这我想起一个事。有次我用PDDL描述一个物流调度问题，写了200多行，结果规划器跑了半小时没出结果。后来发现是动作的前提条件写得太宽松，导致搜索空间爆炸。改成更严格的前提后，3秒就出结果了。所以，前提条件越精确，搜索效率越高。

小结

今天咱们聊了四个东西：

• 目标表示：别让AI猜，给它清晰的状态描述
• 前向搜索：简单粗暴，适合小场景
• HTN：像人一样拆任务，适合复杂场景
• PDDL：把规划问题形式化，方便机器处理

下一章咱们会聊「执行监控与异常处理」——毕竟规划得再好，执行时总会出幺蛾子。到时候我会分享一些实战中的避坑经验。