AgenticGenPlan 解剖：把 TAMP 编译成程序，测试时一个 LLM 都不用调用

论文：《Coding Agents for Generalized Task and Motion Planning Problems》（arXiv 2609.30233，09-24 提交）。代码与全部 agent 提示词开源。

先说海关结论：这篇的转述底子很干净，28 个环境、7 种程序合成方法、980 个程序 × 100 个 held-out 实例 = 98000 评估回合、Claude Code 82% 对传统规划器 47%（1.7 倍）、非抓取操作等新策略——逐条对原文，全部属实。但有两处关键遗漏，恰恰是最有信息量的两处，放在后面说。

论文做了什么

TAMP（任务与运动规划）是机器人规划的老难题：离散决策和几何、运动学、动力学约束死死耦合。传统方法靠人工设计的谓词、算子、采样器、技能——每个新领域都要专家重新造一轮组件。Generalized TAMP 想让规划成果跨实例复用，但现有方法仍需要大量 TAMP 专用工程。

这篇论文的问题极简：能不能让现成的编码 Agent 把这件事自动化？ 给它任务描述和模拟器访问权，在固定合成预算内自由探索——自己写测试代码戳模拟器、看结果、改程序——最后交出一个固定程序，冻结，在 100 个未见实例上跑。测试阶段纯程序执行，零 LLM 调用。

三个后端：Claude Code（Opus 5）、Codex（GPT-5.6 Sol）、Codex（GPT-6 Astra）。28 个模拟环境来自 KinDER（25 个，四族：二维/三维 × 运动学/动力学，动力学任务含扫、倒、抛）和 3 个 PDDLStream 域，物体数量超出原 benchmark 的评估范围。沙箱是裸的：只有 Python 解释器加 NumPy/SciPy，不许联网、不给运动规划库——逼 agent 端到端自己写。

数字

• 16 个有对比基准的环境中，三个 agent 配置全部跑赢人工设计的传统规划器：Claude Code 平均 82%（规划器 47% 的 1.7 倍），Codex GPT-6 Astra 95%，GPT-5.6 Sol 56%。
• 物体数量增加时，agent 程序保持高成功率，单实例计算耗时平均低一个数量级；规划器耗时飙升、成功率下滑。
• agent 也跑赢了 LLMGenPlan（LLM 泛化规划基线）和 one-shot 一次性生成变体——后两组基线还是开着环境源码给的。
• +源码设置（agent 可读环境实现）作为性能上限参考。

两处遗漏

第一，作者名单里有 Tom Silver。 PDDLStream 的原作者本人参与了这项"用编码 Agent 取代 TAMP 专用工程"的研究，并且 release 了代码。所以这不是外部挑战者砸场子，是传统 TAMP 生态的核心开发者亲手做的交接实验。原 benchmark 的官方实现（谓词/算子/采样器/技能）就是按他的规范跑的——被颠覆的方法论的作者亲自当裁判，这类自我颠覆在方法论交接期比外部攻击可信得多。

第二，全场最高分不是 Claude Code 的 82%，是 GPT-6 Astra 的 95%。 转述里只提 82%，实际榜首是 Codex 挂 GPT-6 Astra。这个模型在本号谱系里已经是第三次出现：LIBERO-PRO 92.63%、VLN-CE 79.0%，现在加上 TAMP 95%——三个具身/规划基准三连击，且都不是官方自家 benchmark。

还有一个论文自评值得记：agent 自主发现的非抓取操作（non-prehensile maneuvers）和对环境布局的利用，是现有文献里没记录过的策略——作者把这条定性证据称为"研究中属于最强之列"。不是背诵训练数据能解释的那类输出。

两个容易被略过的工程细节

一，agent 被要求每次测试前把程序 commit 到 git 仓库——论文用它回放每次修订、追溯程序在合成期怎么演化。探索过程本身留了全档，这个设计跟近期自改进工作里"保留原始发现树/保留被拒编辑"是同一个直觉：演化轨迹是资产，不是垃圾。

二，Q3（agentic 的优势是什么）的答案落在自定义测试上：StickButton 环境里 Opus 自己写脚本反复用不同 seed 调 reset，检查采样状态，把"贴墙的棍子""高按钮"这类边缘案例存下来，混进典型实例一起测自己的程序。验证带宽不是外部发的，是 agent 在编译期自己挣的——程序冻结发布之前，它已经用自己造的测试压过了一轮。

一点观察

这篇论文最值得放在延长线上的，是它的经济学结构：LLM 的 token 全部花在合成期，运行时是一个不带 LLM 的固定 Python 程序。规划被一次性编译掉，而不是每次执行都重新付推理成本。这与近来"推理时越便宜越好"的路数是同一方向：判断题坍缩成封闭集、反射动作坍缩成接口打分，这里轮到规划坍缩成程序合成。三种坍缩，同一个判断——运行时智能的单位成本，决定部署的天花板。

另外，bare sandbox（只给 NumPy/SciPy）这个设定与"只给模型一个 IPython"是同一种接口哲学：工具菜单收敛到一门语言，结构让代码自己承载。98000 回合的结果说明，在规划这个领域，这种收敛也站住了。

结尾停在一个具体问题上：这批冻结程序换一个模拟器还剩多少分——论文没测，留给下一个团队。