Planning in the LLM Era: Building for Reliability and Efficiency

Growing attention to intelligent agents has put a spotlight on one of their central capabilities: planning. Early attempts to leverage large language models (LLMs) for planning relied on single-shot plan generation, followed by hybrid approaches that coupled LLMs with limited external search. These methods, unsound and incomplete by their very nature, often require substantial resources without yielding better solutions on unseen problems. As the limitations of LLMs become clearer, recent work has shifted toward using them at solution construction time -- generating symbolic solvers for a family of problems that can be verified and then used efficiently at inference time. This trend reflects the growing need for agents that are both reliable and resource-efficient. It also offers a path towards generating maintainable planners with minimal dependence on language models at inference time. In this paper, we argue that this shift reflects a broader realignment of the planning field in the LLM era. We examine three major categories of planner-generation methods, discuss their current limitations, and outline research steps towards a more reliable and efficient LLM-based generation of planners.

한 줄 요약

**[Planning / Position Paper]** LLM 시대 planning은 single-shot 생성·hybrid search에서 solution construction time symbolic solver 생성으로 재정렬 중 — 3 planner-generation 카테고리·현재 한계·신뢰성·효율성 향상 연구 단계 제시.

핵심 기여도

지능 에이전트에 대한 관심 증가가 중심 능력 중 하나인 planning에 spotlight를 비춤.
LLM을 planning에 활용하려는 초기 시도가 single-shot plan generation에 의존, 이후 hybrid 접근(LLM + 제한된 external search)이 등장했으나 본질적으로 unsound·incomplete하여 unseen problem에 더 나은 솔루션 없이 substantial resource 소비함을 진단.
LLM 한계가 명확해짐에 따라 최근 연구가 solution construction time에서 LLM 활용으로 전환 — 문제군에 대한 symbolic solver를 생성, verified 후 inference time에 efficiently 사용하는 trend.
이 trend가 reliable·resource-efficient 에이전트 수요를 반영하며, inference time에 language model 의존 최소화하는 maintainable planner 생성 경로 제공 — 본 논문은 이 shift가 LLM 시대 planning 분야의 broader 재정렬을 반영한다고 주장, 3 major planner-generation 카테고리 검토·현재 한계 논의·연구 단계 제안.

핵심 아이디어

LLM planning 연구는 inference-time LLM 호출을 줄이고 LLM이 verified symbolic solver를 generate하도록 하는 방향으로 재정렬 중이며, 이것이 신뢰성·자원 효율성의 dual 요구를 동시에 만족하는 경로다.

기술적 접근법

**방법론**: Position paper — LLM-based planner generation의 3 카테고리 분석.
**핵심 기법**: (1) Single-shot LLM plan generation 카테고리 분석, (2) LLM + limited external search hybrid 카테고리 분석, (3) Solution construction time symbolic solver generation 카테고리 분석, (4) 각 카테고리의 sound/complete 보장·resource cost·일반화 능력 비교, (5) Reliable·efficient generation을 위한 연구 단계 제안.

주요 결과

3 major planner-generation 카테고리 분류·검토.
각 카테고리의 현재 한계 정리.
Reliable·efficient LLM-based planner generation을 위한 연구 단계 outlining.
LLM 시대 planning 분야의 broader 재정렬 framework 제시.

의의 및 한계

**의의**: LLM·planning 통합 연구의 방향성 정리, symbolic solver generation 패러다임의 신뢰성·효율성 가치 제시, inference-time LLM 의존 최소화 비전. **한계**: Position paper로 신규 알고리즘·실험은 부재, 카테고리 경계가 일부 fuzzy, 실제 산업 채택 양상은 추가 검증 필요.

실용적 활용

AI planning 시스템 아키텍처 설계 지침.
LLM·symbolic 결합 에이전트 개발.
Reliable·efficient 자율 에이전트 연구 가이드.