从 STRIPS 到 Code as Policies：计划表示的谱系与安全账

把计划写下来，用什么写？agent 圈长期只有一个默认答案：自然语言步骤列表。slides L5 p.13-15 却用三页讲了一条表示谱系：一端是 1971 年的形式规划 STRIPS，另一端是 2023 年让代码模型直接写策略代码的程序路线，语言计划夹在中间。

计划用什么表示，决定了它能否被机器校验、能否充当安全边界。这两件事在 LLM 时代都变贵了。

一、STRIPS：计划第一次成为可判定对象

经典规划的范式由 STRIPS 奠定，Fikes 与 Nilsson 1971 年发表于 AI 期刊（slides L5 p.13）。它的世界干净得近乎奢侈：状态就是一个谓词集合，on-table(x)、on(x,y)、clear(x)、holding(x)、hand-empty；动作则由前置条件与效果两部分定义：

动作 pick-up(x):
  前置条件: on-table(x) ∧ clear(x) ∧ hand-empty
  效果:     holding(x) ∧ ¬on-table(x) ∧ ¬hand-empty

课程用的教学例（L5 p.13）：初始状态 on(blue,orange)，蓝块摞在橙块上；目标 on(orange,blue)，反过来。合法计划是四步：

unstack(blue,orange) → put-down(blue) → pick-up(orange) → stack(orange,blue)

这张图里有个容易被滑过去的教学点。想达成橙在蓝上，第一步却是先挪开蓝块 —— 它恰好压在要拿的目标上，pick-up(orange) 的前置条件 clear(orange) 在初始状态不成立。

合法动作序列须满足每个动作的前置条件，这个性质后来有了名字：可适用性（applicability）。规划因此是搜索问题，在状态空间里找一条每步都适用的路径。

STRIPS 真正的遗产不是效率，而是可判定性。状态与动作都有了形式语义，一个计划对不对，就能逐条机械检查，不必执行、不必人读。

五十年后它成了 PlanBench（Valmeekam et al., NeurIPS 2023 Datasets & Benchmarks 赛道）的地基，LLM 规划能力的经典试金石（slides L5 p.13）。考法是让模型产计划，再用形式语义判对错。形式世界不生产智能，它生产裁判。

二、难点变了：从「找计划」到「检查世界」

到了 LLM 时代，STRIPS 的哪部分过时了？slides L5 p.14 的答案：难点换了，过时的不是表示。一切都隐式化了，世界模型藏在模型参数里，计划用自然语言随手就能写。

于是，写出一个像样的计划变得容易，判断自己的世界模型是否正确变得困难。同一个模型可以流畅地产出四步积木计划，问到第一步之后 hand-empty 还成不成立这类问题，就含糊其辞。

所以 agent 设计的重心从深度搜索挪向检查世界：观察、验证、从错误恢复。但 p.14 同时强调了两个仍然有效的老概念：搜索，与动作可适用性。

哪怕计划用自然语言写，执行前最值得问的还是那一句：下一步的前提现在成立吗。它给世界漂移提供了一个廉价的断路器：

注意这里计划本身仍是语言级的。可适用性检查不需要 STRIPS 的全套本体，只需要在每步执行前对一下账：这步依赖什么，世界现在是什么样。p.14 的结论：概念存活，仪式退场。

三、谱系三档：形式可校验，语言通用，程序居中

slides L5 p.15 把整条谱系收成三档，每一档买到一种能力，付出一种代价：

约 2023 年起，一条工作线把谱系的中间档做实：用 code LLM 写调用感知 / 控制 API 的代码。代表工作是 Code as Policies（Liang et al., ICRA 2023）、ProgPrompt（Singh et al., ICRA 2023）与 Binder（Cheng et al., ICLR 2023）。

按官方 reading 的细节，Code as Policies 让代码补全模型直接写出机器人策略代码，含循环、感知 API、第三方库；层次化代码生成让下层生成的函数被上层生成代码调用，像搭积木一样组合出复杂行为。

受限于 API 与程序结构，这条短处反过来是个优点：API 内部可以再调 LLM 或神经模型。感知这类没法谓词化的能力被下沉进 API，程序档并没有退回形式世界的僵硬。课堂对这条谱系的现状判断：机器人域里它已被可直接训练的端到端 VLA 系统盖过，但同一思路在编码 Agent 上仍然好用，课堂口述的判断。

谱系之外，slides L5 p.22 把 SayCan（Do As I Can, Not As I Say，Ahn et al., CoRL 2022）引为语言计划接地的对照路线，Google Robotics 一个 45 人团队的工作，论文 Fig.3 画出了完整的重打分流程。

它为每个机器人技能学一个价值函数，预测完成概率，与 LLM 给出该子任务的概率相乘，用技能的可供性给语言计划重打分。

同页另引的 Zero-Shot Planners（Huang et al., ICML 2022）则代表不接地、纯语言生成计划的早期尝试。两条路线的差别放在下面一栏对比：

四、表示即安全设计：程序当注入的防火墙

这条谱系在 slides L5 p.32 还有第二个辩论点：计划作为安全边界。ReAct 式 agent 的每个动作都由包含全部观察的上下文决定。这意味着，agent 浏览过的每个页面都能影响下一个动作，提示注入由此获得了一条现成通路。

程序路线给出结构性反制（Piet et al., 2026, Fig.1）：程序可以从页面取值，不从页面接受新动作。数据流可以进，控制流不能进。表示选择同时是安全设计。

产业侧的例子是 Cursor Plan Mode。它是语言计划表示的产品化：计划是含文件路径与代码引用、可内联编辑的 Markdown，用户拿到一份可审阅、可改写的中间产物，计划从内部状态变成了交互对象。

而 p.47 的开放问题 Checking 给全谱系留了一个未解问题。形式计划有裁判，程序有运行，语言计划与子目标图至今没有通用校验器。

与本讲的连接

本篇下钻的是伴读笔记第七节「计划该长什么样」。笔记把规划概括为把目标拆成带依赖的子任务 DAG，讲分解的篇目负责拆多细、何时重拆，本篇回答的则是拆完写成什么。讲次页官方 readings 三篇正好各落一档：

• Cursor Plan Mode：语言档，资料卡 m3-cursor-plan-mode
• Code as Policies：程序档，资料卡 m3-code-as-policies
• SayCan：接地对照路线，资料卡 m3-saycan

quiz 若考三档表示各自靠什么校验，那张三行表就是答案骨架。从 1971 年的 STRIPS 到 2023 年的程序路线，这条谱系走了五十年。