💬 NLP

Exploring Plan Space through Conversation: An Agentic Framework for LLM-Mediated Explanations in Planning

यह शोध पत्र एक मल्टी-एजेंट एलएलएम (LLM) फ्रेमवर्क प्रस्तुत करता है जो उपयोगकर्ता के प्रश्नों के प्रति उत्तरदायी प्राकृतिक भाषा स्पष्टीकरण उत्पन्न करके इंटरैक्टिव, उपयोगकर्ता-निर्देशित योजना बनाने की सुविधा प्रदान करता है, और एक उपयोगकर्ता अध्ययन के माध्यम से यह प्रदर्शित करता है कि यह दृष्टिकोण लक्ष्य संघर्षों (goal conflicts) को समझाने में पारंपरिक टेम्पलेट-आधारित इंटरफेस से बेहतर प्रदर्शन करता है।

मूल लेखक: Guilhem Fouilhé, Rebecca Eifler, Antonin Poché, Sylvie Thiébaux, Nicholas Asher

प्रकाशित 2026-04-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Guilhem Fouilhé, Rebecca Eifler, Antonin Poché, Sylvie Thiébaux, Nicholas Asher

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप अपने परिवार के लिए एक आदर्श दोपहर की योजना बनाने की कोशिश कर रहे हैं। आप किराने का सामान खरीदना, एक शानदार रात का खाना बनाना और बच्चों को उनके सॉकर मैच के लिए ले जाना चाहते हैं। लेकिन एक समस्या है: आपके पास केवल एक कार, एक अभिभावक और सीमित समय है। आप सब कुछ एक साथ नहीं कर सकते।

यह वास्तविक दुनिया की समस्या है जिसे AI Planning हल करने की कोशिश करता है। आमतौर पर, एक कंप्यूटर आपके लिए एक आदर्श शेड्यूल खोजने की कोशिश करता है। लेकिन अक्सर, कंप्यूटर का "परफेक्ट" प्लान वह नहीं होता जो आप चाहते हैं। शायद आप सॉकर गेम से ज्यादा शानदार डिनर को महत्व देते हैं, या शायद आप पहले खरीदारी करना चाहते हैं।

यह पेपर पेश करता है कि कैसे इंसान और AI इन समस्याओं पर मिलकर काम कर सकते हैं। केवल एक अंतिम शेड्यूल सौंपने के बजाय, AI एक सहायक, बातूनी को-पायलट की तरह काम करता है जो यह समझाता है कि वह सब कुछ क्यों नहीं कर सकता और आपको यह तय करने में मदद करता है कि आपको क्या छोड़ना चाहिए।

यहाँ उनके दृष्टिकोण का विवरण दिया गया है, जिसमें रोजमर्रा के उपमाओं (analogies) का उपयोग किया गया है:

1. समस्या: "ब्लैक बॉक्स" बनाम "बातचीत"

पारंपरिक रूप से, यदि आप प्लानिंग AI से शेड्यूल मांगते हैं, तो वह बस कह सकता है, "यह रहा प्लान।" यदि आप पूछते हैं, "मैं डिनर और सॉकर गेम दोनों क्यों नहीं कर सकता?" तो वह आपको एक भ्रमित करने वाला तकनीकी उत्तर दे सकता है या कुछ भी नहीं देगा।

लेखकों ने महसूस किया कि प्लानिंग केवल एक समाधान खोजने के बारे में नहीं है; यह एक बातचीत है। ठीक वैसे ही जैसे आप किसी ट्रैवल एजेंट से अपने बजट और प्राथमिकताओं पर चर्चा किए बिना यात्रा बुक करने के लिए नहीं कहेंगे, आपको AI को अपना दिन प्लान करने के लिए बिना अपनी प्राथमिकताएं बताए नहीं कहना चाहिए।

2. समाधान: डिजिटल सहायकों (एजेंट्स) की एक टीम

लेखकों ने एक ऐसा सिस्टम बनाया है जो केवल एक AI मस्तिष्क पर निर्भर नहीं है। इसके बजाय, उन्होंने विशेषज्ञ "एजेंटों" की एक टीम बनाई है (छोटे AI प्रोग्राम) जो एक रेस्तरां की रसोई की तरह मिलकर काम करते हैं:

वेटर (प्रश्न अनुवादक): आप स्वाभाविक रूप से बोलते हैं ("क्या मैं स्टोर जा सकता हूँ?")। वेटर आपके अनौपचारिक शब्दों को शेफ की भाषा में अनुवादित करता है ("उपयोगकर्ता 'शॉपिंग' लक्ष्य लागू करना चाहता है")।
शेफ (द प्लानर): यह वह विशेषज्ञ है जो वास्तव में गणित करता है। इसे सड़क के नियम, कार की क्षमता और समय की सीमा पता है। यह पता लगाता है कि क्या कोई योजना संभव है।
सोमेलियर (व्याख्या ढांचा): जब शेफ कहता है, "हम सॉकर और डिनर दोनों नहीं कर सकते," तो सोमेलियर कारण का पता लगाता है। क्या यह समय के कारण है? कार के कारण? या बच्चों के कारण?
कंसीयर्ज (व्याख्या अनुवादक): यह एजेंट सोमेलियर के तकनीकी कारण को वापस सरल, मानवीय भाषा में बदल देता है। "Conflict detected between Goal A and Goal B" कहने के बजाय, यह कहता है, "आप दोनों नहीं कर सकते क्योंकि सॉकर गेम और डिनर एक ही समय पर होते हैं, और आपके पास केवल एक कार है।"

3. जादू: "लक्ष्य संघर्ष" (Goal Conflicts) को संभालना

इस पेपर का मुख्य केंद्र लक्ष्य संघर्ष (Goal Conflicts) है।
कल्पना कीजिए कि आपके पास लक्ष्यों की एक बाल्टी है (खरीदारी, खाना बनाना, सॉकर)। बाल्टी बहुत भरी हुई है; आप उन सभी को फिट नहीं कर सकते।

MUS (न्यूनतम असुलझा हुआ उपसमूह): यह "परेशानी का सबसे छोटा समूह" है। यह उन चीजों का सबसे छोटा समूह है जिन्हें आपने करने की कोशिश की थी जिससे पूरा प्लान बिगड़ गया। (जैसे, "आप सॉकर और डिनर दोनों नहीं कर सकते क्योंकि वे एक ही समय पर होते हैं।")
MCS (न्यूनतम सुधार सेट): यह "सबसे छोटा समाधान" है। यह वह सबसे छोटी चीज़ है जिसे आपको हटाने की आवश्यकता है ताकि प्लान फिर से काम करने लगे। (जैसे, "यदि आप सॉकर छोड़ देते हैं, तो आप डिनर और खरीदारी कर सकते हैं।")

सिस्टम आपके सवालों के जवाब देने के लिए इन अवधारणाओं का उपयोग करता है।

आप पूछते हैं: "मैं डिनर क्यों नहीं बना सकता?"
सिस्टम उत्तर देता है: "क्योंकि आप बच्चों को सॉकर के लिए भी ले जाना चाहते हैं, और वे दोनों एक ही समय स्लॉट के लिए लड़ रहे हैं। डिनर पकाने के लिए, आपको सॉकर गेम छोड़ना होगा।"

4. प्रयोग: चैट बनाम बटन क्लिक करना

यह परीक्षण करने के लिए कि क्या यह "बातूनी" सिस्टम पुराने सिस्टम से बेहतर काम करता है, उन्होंने 131 लोगों के साथ एक अध्ययन चलाया।

ग्रुप A (पुराना तरीका): उन्होंने एक मेनू का उपयोग किया जिसमें पहले से लिखे गए बटन थे। वे केवल निश्चित बटन पर क्लिक करके ही सवाल पूछ सकते थे जैसे "यह क्यों असंभव है?"
ग्रुप B (नया तरीका): उन्होंने LLM-आधारित चैट का उपयोग किया। वे कुछ भी टाइप कर सकते थे: "क्या मैं किराने की दुकान छोड़ दूँ तो सॉकर गेम के लिए जा सकता हूँ?" या "अगर मैं केवल लंच बनाऊं तो क्या होगा?"

परिणाम:

बेहतर समझ: चैट ग्रुप के लोगों को बहुत अधिक विश्वास था कि वे समझते हैं कि कुछ योजनाएं क्यों काम करती हैं या क्यों नहीं करतीं।
कम चरण: चैट ग्रुप ने कम प्रयासों में एक अच्छा समाधान प्राप्त कर लिया। उन्हें अनुमान लगाने की आवश्यकता नहीं थी; AI ने ट्रेड-ऑफ (समझौतों) को स्पष्ट रूप से समझाया।
अधिक प्रश्न: चैट ग्रुप ने कुल मिलाकर कम प्रश्न पूछे, लेकिन उनके प्रश्न अधिक सार्थक थे। उन्हें सही विकल्प खोजने के लिए 20 बटन क्लिक करने की आवश्यकता नहीं थी; उन्होंने बस वही पूछा जो वे जानना चाहते थे।

5. यह क्यों महत्वपूर्ण है

इसे एक वेंडिंग मशीन से पर्सनल शॉपर में अपग्रेड करने के रूप में सोचें।

वेंडिंग मशीन (पुराना AI): आप एक बटन दबाते हैं, यह आपको स्नैक देता है। यदि आप कुछ और चाहते हैं, तो आपको अगला बटन कौन सा दबाना है, इसका अनुमान लगाना होगा।
पर्सनल शॉपर (नया AI): आप कहते हैं, "मुझे भूख लगी है लेकिन मैं डाइट पर हूँ।" शॉपर कहता है, "ठीक है, यहाँ एक सलाद है, लेकिन अगर आप कुकी चाहते हैं, तो आपको सेब छोड़ना होगा। आप किसे पसंद करेंगे?"

निष्कर्ष

यह पेपर दिखाता है कि LLMs का उपयोग केवल प्लानिंग का गणित करने के लिए नहीं, बल्कि मानव भाषा और गणित के बीच अनुवाद करने के लिए करके, हम ऐसे प्लानिंग सिस्टम बना सकते हैं जो उपयोग में आसान, अधिक भरोसेमंद और वास्तव में मनुष्यों को बेहतर निर्णय लेने में मदद करने वाले हों। यह एक ठंडे, भ्रमित करने वाले कंप्यूटर आउटपुट को एक सहायक, संवादात्मक बातचीत में बदल देता है।

यहाँ शोध पत्र "Exploring Plan Space through Conversation: An Agentic Framework for LLM-Mediated Explanations in Planning" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

स्वचालित नियोजन प्रणालियाँ (Automated planning systems) वास्तविक दुनिया के क्रमिक निर्णय लेने में मानव योजनाकारों (human planners) को पूरी तरह से प्रतिस्थापित करने में संघर्ष करती हैं, क्योंकि वे मानवीय प्राथमिकताओं, बाधाओं और विकसित होते उद्देश्यों को पूरी तरह से कैप्चर नहीं कर पाती हैं। नियोजन प्रक्रिया स्वाभाविक रूप से पुनरावृत्ति वाली होती है: मनुष्यों को लक्ष्यों को परिष्कृत करने और संघर्षों को हल करने के लिए AI का मार्गदर्शन करना होता है।

अंतराल (The Gap): जबकि इंटरैक्टिव प्लानिंग एक ज्ञात प्रतिमान (paradigm) है, इंटरैक्टिव स्पष्टीकरण (interactive explanations) अभी भी कम शोधित विषय है। स्थिर स्पष्टीकरण (जैसे कि टेम्पलेट्स) उस तरल, बहु-चरणीय संवाद (multi-turn dialogue) का समर्थन करने में विफल रहते हैं जो वैचारिक गलतफहमियों या जटिल लक्ष्य संघर्षों को हल करने के लिए आवश्यक है।
चुनौती (The Challenge): लार्ज लैंग्वेज मॉडल्स (LLMs) प्राकृतिक भाषा संवाद में उत्कृष्ट हैं लेकिन स्वतंत्र रूप से जटिल नियोजन कार्यों को करने में अविश्वसनीय हैं। इसके विपरीत, पारंपरिक योजनाकार कठोर होते हैं और उनमें संवादात्मक क्षमताओं का अभाव होता है। चुनौती एक हाइब्रिड सिस्टम बनाने की है जहाँ LLMs इंटरैक्शन (अनुवाद, प्रश्न पूछना, स्पष्टीकरण) को सुगम बनाएं, जबकि विशिष्ट एल्गोरिदम गणना (नियोजन, संघर्ष का पता लगाना) को संभालें।

2. कार्यप्रणाली (Methodology)

लेखक एक मल्टी-एजेंट LLM फ्रेमवर्क प्रस्तावित करते हैं जो एक मानव उपयोगकर्ता और एक औपचारिक नियोजन प्रणाली (formal planning system) के बीच मध्यस्थता करता है। यह आर्किटेक्चर उपयोग किए गए विशिष्ट स्पष्टीकरण ढांचे के प्रति तटस्थ (agnostic) है, और मुख्य रूप से इंटरैक्शन लेयर पर केंद्रित है।

A. सिस्टम आर्किटेक्चर (चित्र 1 और 2)

सिस्टम में विशेषज्ञ LLM एजेंट शामिल हैं जो अनुवादक और क्लासिफायर के रूप में कार्य करते हैं, और एक बैकएंड "ब्लैक बॉक्स" के साथ इंटरैक्ट करते हैं जिसमें 'प्लानर' और 'एक्सप्लेनेशन फ्रेमवर्क' (EFCC) होता है।

क्वेश्चन सजेस्टर ( $S_Q$ ): वर्तमान नियोजन स्थिति (पुनरावृत्ति चरण) का विश्लेषण करता है ताकि उपयोगकर्ता को प्रासंगिक प्रश्न सुझाए जा सकें, जिससे संज्ञानात्मक भार (cognitive load) कम होता है और अन्वेषण में सहायता मिलती है।
क्वेश्चन ट्रांसलेटर ( $T_Q$ ): उपयोगकर्ता के इनपुट को विशिष्ट प्रश्न प्रकारों (जैसे, "यह क्यों असंभव है?" या "क्या मैं यह लक्ष्य जोड़ सकता हूँ?") में वर्गीकृत करता है और तर्कों (arguments) को निकालता है। यह क्वेरी को उपयुक्त एजेंट तक भेजता है।
गोल ट्रांसलेटर ( $T_G$ ): प्राकृतिक भाषा के लक्ष्य विवरणों (जैसे, "बच्चों को कभी भी स्टोर पर न ले जाएं") को औपचारिक टेम्पोरल लॉजिक (LTLf) में परिवर्तित करता है जो प्लानर के लिए आवश्यक है।
एक्सप्लेनेशन ट्रांसलेटर ( $T_E$ ): बैकएंड द्वारा उत्पन्न औपचारिक स्पष्टीकरणों (Minimal Unsolvable Subsets - MUS, या Minimal Correction Sets - MCS के सेट) को प्राकृतिक भाषा प्रतिक्रियाओं में बदलता है, जो सारांश और संदर्भ-जागरूक फॉलो-अप (context-aware follow-ups) करने में सक्षम है।
डिस्पैचर (Dispatcher): प्रश्न के प्रकार (प्रत्यक्ष उत्तर, फॉलो-अप, या एक्सप्लेनेशन फ्रेमवर्क को क्वेरी) के आधार पर क्वेरी को रूट करता है।

B. सैद्धांतिक ढांचा (Theoretical Framework)

पुनरावृत्ति नियोजन चरण (Iterative Planning Steps): इस प्रक्रिया को एक अनुक्रम $\delta = \langle G_{ref}, G_{enf}, \pi \rangle$ के रूप में परिभाषित किया गया है, जहाँ $G_{ref}$ संदर्भ लक्ष्य (reference goals) हैं, $G_{enf}$ लागू किए गए लक्ष्य (enforced goals) हैं, और $\pi$ एक नमूना प्लान (sample plan) है।
लक्ष्य-संघर्ष स्पष्टीकरण (Goal-Conflict Explanations): सिस्टम MUS (Minimal Unsolvable Subsets) पर निर्भर करता है यह समझाने के लिए कि लक्ष्यों का एक सेट क्यों संतुष्ट नहीं किया जा सकता, और MCS (Minimal Correction Sets) पर निर्भर करता है यह समझाने के लिए कि कार्य को समाधान योग्य कैसे बनाया जाए (अर्थात, किन लक्ष्यों को छोड़ना है)।
प्रश्न प्रकार (Question Types): यह फ्रेमवर्क प्रश्न प्रकारों के एक समृद्ध सेट का समर्थन करता (तालिका 1), जो साधारण "क्यों-नहीं" (Why-not) प्रश्नों से परे है, जिसमें शामिल हैं:
- US-why/US-how: असंभव कार्यों को संभालने के लिए।
- S-why-not/S-how: एक समाधान योग्य प्लान में विशिष्ट लक्ष्य क्यों गायब हैं, इसे समझाने के लिए।
- S-can/S-what-if: नए लक्ष्य जोड़ने की व्यवहार्यता (feasibility) की जांच करने के लिए।

C. कार्यान्वयन विवरण (Implementation Details)

LLM मॉडल: सभी एजेंट GPT-4.1-mini का उपयोग करते हैं।
कॉन्टेक्स्ट मैनेजमेंट: एजेंट प्रत्येक पुनरावृत्ति चरण के लिए अलग-अलग कॉन्टेक्स्ट हिस्ट्री बनाए रखते हैं ताकि मतिभ्रम (hallucination) को रोका जा सके और स्पष्टता सुनिश्चित की जा सके, फिर भी एक चरण के भीतर फॉलो-अप प्रश्नों की अनुमति दी जा सके।
औपचारिक तर्क (Formal Logic): सिस्टम टेम्पोरल लक्ष्यों को दर्शाने के लिए 'लीनियर टेम्पोरल लॉजिक ऑन फाइनाइट ट्रेसेस' (LTLf) का उपयोग करता है, जो प्राकृतिक भाषा और प्लानर की आवश्यकताओं के बीच के अंतर को पाटता है।

3. प्रमुख योगदान (Key Contributions)

औपचारिक ढांचा (Formal Framework): प्राकृतिक भाषा के प्रश्नों और स्पष्टीकरणों के साथ पुनरावृत्ति नियोजन के लिए एक सामान्यीकृत ढांचा, जो अनुवादकों की भूमिका और इंटरैक्शन चरणों की संरचना को परिभाषित करता है।
समृद्ध स्पष्टीकरण इंटरफ़ेस (Rich Explanation Interface): "एक्सप्लेनेशन फ्रेमवर्क विद कॉन्फ्लिक्ट्स एंड करेक्शन्स" (EFCC) का एक विस्तार जो विविध प्रश्न प्रकारों (US-why, S-how, S-can, आदि) का समर्थन करता है, जो साधारण टेम्पलेट प्रतिक्रियाओं से आगे बढ़ता है।
एजेंटिक कार्यान्वयन (Agentic Implementation): एक कार्यशील मल्टी-एजेंट सिस्टम जहाँ LLMs अनुवाद (प्राकृतिक भाषा $\leftrightarrow$ औपचारिक तर्क) और स्पष्टीकरण निर्माण को संभालते हैं, जबकि भारी गणना के लिए विशेष सॉल्वर (Fast Downward) को सौंपते हैं।
यूजर स्टडी (User Study): एक टेम्पलेट-आधारित बेसलाइन के विरुद्ध LLM-आधारित इंटरफ़ेस का तुलनात्मक मूल्यांकन।

4. परिणाम (User Study)

लेखकों ने "पैरेंट्स आफ्टरनून" (समय/संसाधन बाधाओं के तहत उपयोगिता को अधिकतम करना) नियोजन परिदृश्य का उपयोग करके 131 प्रतिभागियों (65 टेम्पलेट-आधारित इंटरफ़ेस पर, 66 LLM-आधारित इंटरफ़ेस पर) के साथ एक यूजर स्टडी आयोजित की।

वस्तुनिष्ठ प्रदर्शन (Objective Performance):
- उपयोगिता (Utility): LLM समूह ( $G_{LLM}$ ) ने थोड़ी अधिक औसत उपयोगिता (20.8 बनाम 20.5) प्राप्त की और अधिकतम उपयोगिता अधिक बार प्राप्त की (15.2% बनाम 13.8%), हालांकि विचरण (variance) के कारण यह अंतर सांख्यिकीय रूप से महत्वपूर्ण नहीं था ( $p > 0.05$ )।
- दक्षता (Efficiency): $G_{LLM}$ उपयोगकर्ताओं ने काफी कम प्रश्न पूछे (11.4 बनाम 22.8) लेकिन ये प्रश्न अधिक जटिल थे, जो समकक्ष बैकएंड क्वेरी को ट्रिगर करते थे। यह प्रति इंटरैक्शन उच्च सूचना घनत्व (information density) का सुझाव देता है।
- अभिसरण (Convergence): $G_{LLM}$ उपयोगकर्ताओं ने कम पुनरावृत्ति चरणों में स्वीकार्य योजनाओं पर अभिसरण करने की प्रवृत्ति दिखाई, विशेष रूप से शुरुआती चरणों में।
व्यक्तिगत प्रदर्शन (Subjective Performance):
- कठिनाई का बोध (Perceived Difficulty): LLM समूह के उपयोगकर्ताओं ने काफी कम कार्य कठिनाई रिपोर्ट की ( $p=0.02$ )।
- उपयोगिता (Helpfulness): LLM इंटरफ़ेस को योजनाओं को बेहतर बनाने में मदद करने के लिए काफी अधिक रेटिंग दी गई ( $p=0.01$ ) और असंभव लक्ष्यों को चुनने के लिए भी ( $p=0.07$ )।
- जुड़ाव (Engagement): औसत बातचीत की लंबाई 4.3 टर्न थी, जिसमें 50% इंटरैक्शन में फॉलो-अप प्रश्न शामिल थे, जो दर्शाता है कि उपयोगकर्ताओं को संवादात्मक पहलू को परिष्कृत करने में मूल्यवान लगा।
एजेंट मूल्यांकन (Agent Evaluation):
- प्रश्न अनुवादक ( $T_Q$ ) ने प्रश्न प्रकारों और तर्कों को वर्गीकृत करने में 91% सटीकता प्राप्त की।
- प्रश्न सुझावकर्ता ( $S_Q$ ) को अत्यधिक अपनाया गया, जिसमें उपयोगकर्ताओं के 61.7% प्रश्न सुझाए गए विकल्पों से आए थे।

5. महत्व और भविष्य का कार्य (Significance and Future Work)

अंतराल को पाटना: यह शोध पत्र सिद्ध करता है कि LLMs नियोजन प्रणालियों में "मध्यस्थों" के रूप में अत्यधिक प्रभावी हैं। उन्हें स्वयं नियोजन समस्या को हल करने की आवश्यकता नहीं है; बल्कि, वे मानवीय इरादे को औपचारिक बाधाओं में अनुवादित करते हैं और औपचारिक संघर्षों को मानव-समझने योग्य वृत्तांतों में वापस अनुवादित करते हैं।
विश्वास और उपयोगिता: अध्ययन इस बात का अनुभवजन्य प्रमाण प्रदान करता है कि संवादात्मक, LLM-मध्यस्थ स्पष्टीकरण, भले ही कच्चे वस्तुनिष्ठ मेट्रिक्स (उपयोगिता) समान हों, स्थिर टेम्पलेट्स की तुलना में उपयोगकर्ता के विश्वास और उपयोग में आसानी को काफी बेहतर बनाते हैं।
भविष्य की दिशाएँ:
- ले-यूजर्स (lay users) के बजाय डोमेन विशेषज्ञों (जो अधिक जटिल प्रश्न पूछ सकते हैं) के साथ ढांचे का मूल्यांकन करना।
- अन्य स्पष्टीकरण ढांचों (जैसे, कंस्ट्रेंट प्रोग्रामिंग) के लिए दृष्टिकोण का विस्तार करना।
- पूर्व-निर्धारित टेम्पलेट्स के बिना अधिक जटिल, वास्तविक दुनिया के लक्ष्य निर्माण को संभालने के लिए गोल ट्रांसलेटर ( $T_G$ ) में सुधार करना।

निष्कर्षतः, यह कार्य मानव-AI सहयोगात्मक नियोजन के लिए एक मजबूत आर्किटेक्चर स्थापित करता है, जो यह प्रमाणित करता है कि मल्टी-एजेंट LLM सिस्टम नियोजन के इर्द-गिर्द की "बातचीत" को प्रभावी ढंग से प्रबंधित कर सकते हैं, जिससे जटिल अनुकूलन (optimization) समस्याएं गैर-विशेषज्ञ उपयोगकर्ताओं के लिए सुलभ और समझने योग्य बन जाती हैं।