搜索与规划：从状态到行动序列

先把展览布置写成问题

星河玩具展是一座虚构的桌面模型展。志愿者要把圆形玩具从储物盒放到展台，开始时玩具在盒中，双手空闲，展台尚未清理。状态描述当前与任务有关的事实，动作描述可以做的改变，目标描述希望最后满足的条件。这里不需要先收集几万张照片训练网络：只要状态与行动规则明确，就可以通过搜索寻找可行序列。人工智能也包括这种显式建模与推理路线，并非所有任务都由语言模型回答。

搜索树不是现实世界本身

从初始状态出发，列出允许执行的动作，每个动作产生新状态，再继续扩展，形成搜索树或状态图。比如先清理展台，再取出玩具，最后放置；也可能先取玩具却发现没有空手清理，必须放回。若不同序列达到同一状态，应考虑避免重复探索。状态如果漏掉手是否空闲，就可能生成现实上无法执行的步骤。建模是决定搜索是否有意义的前提，搜索算法不能自动补回被遗漏的条件。

不同搜索方式有不同保证

广度优先搜索先检查较少动作的路径，在每步代价相同且条件适当时可找到动作数量最少的解，但需要保存许多候选状态。深度优先搜索先沿一条路往下，可能节省某些情况下的存储，却可能陷入很深的分支。若清理与搬运代价不同，动作最少不等于总代价最低，可以使用按累计代价扩展的办法。不能把找到一个解就称为最优，也不能脱离状态空间大小与停止条件谈必然成功。

规划把动作前提说清楚

行动规划会显式描述前提与效果。放置玩具的前提是手中有玩具且展台已清理，效果是玩具在展台且双手空闲。启发式是估计离目标还有多远的辅助规则，可以优先探索看起来更有希望的状态。估计应服务于具体代价定义；某些算法只有在启发式满足不高估等条件时才具有对应最优保证。启发式不是随意猜一个自信分数，更不是语言描述越详细就越可靠。

执行后仍要观察

计划是在模型假设下生成的，执行时可能发现展台尚未清理或玩具没有取出。应观察实际状态，再决定重试、重新规划或请求人工帮助，不能把计划文本当成动作已经完成。工坊练习只在纸上模拟，不控制真实设备。若存在不可逆动作、共享资源或安全要求，计划生成与执行授权要分开。规划擅长组织明确行动条件，但对未知环境、错误规则和不完整观察仍然有限，需要恰当的反馈与范围声明。