詳細解釋
跨越長時間尺度（分鐘、小時、天）的規劃和決策能力，與單步或短序列推理相對。這是複雜 Agent 和自主系統的關鍵。
短期 vs 長期推理：
- 短期：解決當前問題（「這個 bug 怎麼修？」）
- 長期：實現長期目標（「三個月內重構整個系統」）
挑戰：
- 延遲獎勵：行動與結果間隔長，難以學習
- 計劃調整：環境變化需動態修正計劃
- 記憶管理：長期維護相關信息，遺忘過時信息
- 層級規劃：高層策略 + 低層執行的協調
技術方法：
- 強化學習：TD(λ)、Dyna-Q 處理延遲獎勵
- 分層強化學習：選項框架、階段性目標
- 規劃算法：A*、蒙特卡洛樹搜索
- 記憶架構：神經圖靈機、差分神經計算機
- 世界模型：預測未來狀態，用於規劃
應用場景：
- 機器人：多日家務規劃
- 遊戲：長期策略遊戲（文明、星際爭霸）
- 科研：多年研究項目規劃
- 個人助理：年度目標追蹤和調整
當前局限：
- LLM 主要是短程推理（單輪或幾輪對話）
- 長期一致性差（目標漂移）
- 無法處理真實時間約束（截止時間、並行任務）
研究前沿：
- 認知架構：SOAR、ACT-R 的長期記憶機制
- 神經符號結合：深度學習 + 經典規劃
- 持續學習：隨時間積累知識和技能
這是通往 AGI 的必經之路—— 真正的智能需要跨越時間的規劃能力。