---
title: "REINS 作者报告：通过持续积累规则的智能体框架实现毫秒级规划"
dek: "论文提出检查语言模型的规划建议，再将规则存入记忆以供复用。arXiv 摘要报告了性能提升，但未说明外部人员如何核查部署系统持续变化的配置。"
---

Zhihong Cui 等六位作者于 2026 年 11 月 7 日提交 REINS，提出一种运行时框架，让大语言模型（LLM）参与轨迹规划，同时由积累的规则处理熟悉场景。保存的 arXiv 页面将此次提交标为 v1。这是一项研究方案，性能结果来自作者报告。[^1]

作者描述了 LLM 与规划器之间的三种衔接方式：以学习得到的变量级动力学模型约束模型建议，通过经过校准的判定条件和前向推演检查建议，再将通过检查的输出整合进带索引的规则记忆。熟悉场景通过查询记忆处理；新场景调用 LLM，并将通过检查的输出加入记忆。摘要称，查询的时间复杂度为 O(log n)，整个过程不修改 LLM 权重。[^1]

作者报告，在仿真和真实世界基准上，战术决策层的合规率超过 98%，碰撞减少近 50%，延迟为 1.9–4.6 毫秒。他们还称，随着记忆逐渐积累，LLM 调用率单调下降。保存的摘要没有给出合规率的定义、碰撞减少所比较的基线，也未说明延迟测量的起止范围，因此这些数字不足以确定读者自身部署的表现。[^1]

:::analysis
这些主张涉及 T6 评估层、T5 智能体层和 T2 运行时层：基准证据、建议检查循环以及实际提供决策的规则记忆，都需要审查，用户才能据此判断系统行为是否值得依赖。用户和运营方应核对部署版本、检查机制的配置及规则记忆状态；仅凭模型权重未变，无法确定当前使用的是怎样的规划器。[^1] 这里涉及的可核查属性是**可识别性**：如果为用户提供服务的确切版本和配置有记录且可核查，用户就能判断自己是否曾接触某一特定系统配置。保存的页面没有确立 REINS 提供了这类记录或供外部人员使用的核查机制。[^1]
:::

:::checked
我们于 2026 年 11 月 13 日阅读了所提供的 REINS 官方 arXiv 摘要页保存文本，对应 arXiv:2611.10748v1，提交日期为 2026 年 11 月 7 日。我们没有阅读全文或代码，没有运行系统，也没有独立复现结果；此次核查仅确认保存页面所报告的内容。[^1]
:::

[^1]: REINS: A Self-Evolving Agent Harness for Real-Time Trajectory Planning。arXiv，2026 年 11 月 7 日。https://arxiv.org/abs/2611.10748

主图： Zhihong Cui, Hengyu Liu, Haoran Tang, Shijun Liu, Amir Taherkordi, Tor Skeie · CC BY 4.0。
