GoalAct：每一步都重排一张全局计划，执行时只挑「技能」

读完这一节，你应该知道 GoalAct 想同时堵上的两个口子分别在哪里。

论文在 §1 把问题拆成两层，每一层都点了一种典型框架的毛病：

在 Figure 2 的案例里，这句设计判断有具体的失败画面：

关键的共同点是：两个毛病都发生在「计划要写多细」这个决策上。写得粗，计划落不了地；写得太具体、或者根本不独立规划，又会在环境反馈变化时失去方向。GoalAct 的切入点就是把「写什么粒度」固定下来。

读完这一节，你应该知道每个基线为什么被选进来，以及论文对它们的判断有没有可查的数字支撑。

上表第三列引的是 §4.2.1 对 Table 2 的解读原句；第四列的数字全部可以从 Table 2 逐格查。注意 GLM-4-Plus 上 P-E 的 ALL（0.5363）低于 P-S（0.5406），与原文 "demonstrating improvements over P-S in some scenarios" 并列看：原文说的是「某些场景」，而 GLM-4-Plus 的 ALL 列上 P-E 更低推断（依据：Table 2，P-E 0.5363 < P-S 0.5406）；GPT-4o-mini 与 Qwen-max 的 ALL 则都是 P-E 更高（0.4503 vs 0.4196、0.5695 vs 0.5381）。同理，「ReAct 最强」只在 GLM-4-Plus 的 ALL 上成立，GPT-4o-mini 与 Qwen-max 上 CodeAct 更高；CodeAct 的 Writing 列在三个模型上都低于 ReAct（0.4202 < 0.6087、0.6522 < 0.6662、0.5836 < 0.7659）。

论文没有在 §2 Related Work 里另起炉灶地逐条论证这些短板，全部判断都来自 §1 的动机段与 §4.2.1 对同一张 Table 2 的解读——这意味着「谁卡在哪」的证据强度取决于四个基线实现得是否地道，而论文正文没有给出这些基线实现的细节（官方仓库有代码，本页未逐行核对，见 07 节）。

读完这一节，你应该能用两条公式说清 GoalAct 与 Plan-and-Execute、ReAct 的差别，并用下面的重放器亲手复现 Figure 2 里那条轨迹。

全局计划 = 一串「计划步骤 → 技能」

论文原话：由于在全局计划里直接写详细动作描述很难，"we only require the specification of high-level skills"（§3.1）。计划层只需要指定高级技能，不必写出内部执行细节；Figure 2 的 Action 1 里仍留有表名、字段等较粗的参数描述。

每一步都用历史重算整张计划

三个要点（前两条取自原文，第三条是本页的形式化）：

• π 被写成「策略」，实际载体是 prompt。π 被定义为「update policy (detailed in the Table 4)」，Table 4 是完整的规划 prompt，要求模型返回 [{"Thinking": "", "Action": ""}] 的 JSON 数组。推断（依据：Table 4 的输入输出格式）：按 Eq. (2) 每步重算计划，Table 4 的 prompt 表明这一步通常是一次 LLM 规划调用；原文未说明它是否与执行调用合并。
• Table 4 的转录范围：Table 4 为 prompt 全文，本页未逐字转录，仅引用其输出格式与 {tool_prompt} / {memory} / {scratchpad} 占位符。
• 历史是三元组，不是自由文本。Sₜ 的每个元素是 PᵢAᵢOᵢ，每个过去的步骤都带观察 Oᵢ，这就是「计划贴着执行走」的具体机制。
• 重算没有把上一版 G 作为输入。Eq. (2) 的右侧只有 Q、T、Sₜ。本页把它称为「整张重算」是据此的形式化；Figure 2 只在 "Global Plan (updated)" 节点给出了更新后计划的第一条（"Plan Step 1 : Next, we need to query the defendant company name …"），计划是否与上一版逐条对应，原文没有展示。

执行层：三种技能，各自吃自己的格式

技能表来自 Figure 1 与 §3.2 的描述；表格里没有给出各技能内部的具体工具名、参数 schema 或 Writing 的流程实现。

自己动手：重放 Figure 2 的轨迹

下面只重放原文 Figure 2 中明确写出的节点，用来感受「计划—动作—观察—重排」的骨架。它是回放器，不是模拟器：不会用 Eq. (2) 现场生成新计划；readout 是中文复述，Figure 2 的英文原句逐字见下方手算块。

读完这一节，你应该知道这套方法的开销由什么决定，以及论文对开销交代到了哪一步。

按 Eq. (2) 与 Table 4 的 prompt，每步通常伴随一次规划调用推断；原文未说明规划调用与执行调用是否合并。GoalAct 本身没有训练阶段：三个基础模型全部经 API 调用，温度设为 0（§4.1.2），所以「怎么算」的问题只剩推理侧的开销。

• 串行：Gₜ 依赖 Sₜ，而 Sₜ 依赖 Aₜ₋₁ 的观察，步与步之间无法并行。
• 终止条件："When the LLM outputs Finish or reaches the maximum iteration limit T = 10, it summarizes the current trajectory and provides the final answer."（§4.1.2）。
• prompt 已固定：每个流程给两个示例引导工具使用与输出格式（§4.1.2）；Table 4 显示规划 prompt 里带了 {tool_prompt}、{memory}、{scratchpad} 三块内容，推断（依据：Table 4 模板）这三块会随任务变长而变长，单步规划调用的输入 token 也随之增长。
• 没有量化的部分：论文没有报告 token 消耗、延迟或 API 费用，也没有给出 GoalAct 与 ReAct / CodeAct 的调用次数对照。Table 1 给出任务规模、query/answer 长度与关键元素统计；Writing query 平均长度 1059.95、answer 平均长度 678.75（Table 1 只写 Avg. length，长度单位按词计为本页表述）；不含调用次数，不能直接换算调用成本。

读完这一节，你应该能在图上指出「哪一处是全局计划、哪一处是技能选择、哪一处回流到 Eq. (2)」。

把 Figure 2 的 GoalAct 面板对照这张图：第 1 步用 Coding 取回最高金额案件（观察 1），随后 "Global Plan (updated)" 把计划重写成以「查被告」为第一步（Eq. 2 的 Gₜ 项生效），第 2 步用 Searching 拿被告字段。这里技能随步骤切换，正是 CodeAct（全程代码）与 ReAct（以搜索为主）做不到的事。推断（依据：§4.2.3 只说 "its hierarchical execution mechanism enables the agent to flexibly choose appropriate skills based on task complexity"，未与 CodeAct / ReAct 对比技能切换）。

读完这一节，你应该能分清论文报告的「12.22%」「3.26–20%」「8.14%」各自的口径，以及为什么六个「relative improvements」不能当相对百分比读。

设定：LegalAgentBench 共 300 题，分 1-hop 至 5-hop（80 / 80 / 60 / 40 / 20 题）与 Writing 20 题（Table 1）。三个模型经 API 调用，temperature = 0（§4.1.2）。指标是成功率，按 Eq. (4) 计算每题的 sᵢ = |Mᵢ| / |Kᵢ|（命中关键元素数 / 关键元素总数），再对全部任务取平均。Table 2 转录如下。

Table 1 未逐格转录：本页只引用题数（80 / 80 / 60 / 40 / 20 / 20，合计 300）、query/answer 长度（Writing 1059.95 / 678.75 词）与关键元素统计（1.88 / 2.25 个/题），其余统计行不引用。

Table 2 全文转录（原文以粗体标最佳，此处同一模型内的 GoalAct 行加底色）。P-S = Plan-and-Solve，P-E = Plan-and-Execute。

12.22 是什么：三模型 ALL 列绝对差（pp）的算术平均

最后一行的 0.8344 / 0.7123 是三个模型 ALL 列的直接算术平均（每个模型的 ALL 本身是按题数加权的，见下面第二个 details）。所有派生值均由脚本从 Table 2 的原始小数算出，未用论文已四舍五入的百分比反推。论文 Abstract 写 "with an average improvement of 12.22% in success rate"；§4.2.1 写 "improves average performance by 14.45% on GPT-4o-mini, 10.09% on Qwen-max, and 12.11% on GLM-4-Plus, with an overall average improvement of 12.22%"；§5 写 "with an average improvement of 12.22% over existing methods"。这三个数和上面「绝对差（pp）」一列的 14.45 / 10.09 / 12.11 逐位相同；按相对口径重算分别是 23.03 / 13.29 / 16.15（相对最强基线）、17.49（逐模型相对值再平均）和 17.15（相对值合并），都不是 12.22。推断（依据：上表逐位对账）：论文声称的是「相对提升」，但计算结果是绝对差均值；引用时应写「高出 12.22 个百分点（pp）」，不要写「相对提升 12.22%」。

「relative improvements」的六个数字：实为三模型绝对差（pp）的算术平均

论文 §4.2.1 原句："Specifically, the relative improvements on average are 3.26% for 1-hop, 7.98% for 2-hop, 20% for 3-hop, 9.86% for 4-hop, and 15.5% for 5-hop. Furthermore, in Writing tasks, GoalAct achieves a 12.74% improvement"。把「同模型 GoalAct − 同模型最强基线」逐模型算成绝对差（pp），再对三个模型取算术平均，得到下表「平均（pp）」列——与论文六个数逐位相同。

逐模型顺序为 GPT-4o-mini / Qwen-max / GLM-4-Plus；绝对差与平均保留两位小数。最后一列按「(GoalAct − 最强基线) / 最强基线」逐模型算相对值再平均，只作对照，不是论文口径。

六列全部可以复算：1-hop (2.23 + 4.69 + 2.85) / 3 = 3.2567 ≈ 3.26；2-hop (8.33 + 4.79 + 10.83) / 3 = 7.9833 ≈ 7.98；3-hop (20.83 + 18.34 + 20.83) / 3 = 20.00；4-hop (14.17 + 3.34 + 12.08) / 3 = 9.8633 ≈ 9.86；5-hop (19.34 + 0.34 + 26.83) / 3 = 15.5033 ≈ 15.50；Writing (13.00 + 15.58 + 9.64) / 3 = 12.74。相对口径的均值是 3.55 / 9.81 / 37.14 / 19.22 / 45.94 / 18.47，与论文六个数对不上；所以论文写的 "relative improvements" 实际口径是绝对差均值（pp），不是相对百分比。同一模型内 21 格（3 模型 × 7 列）GoalAct 全部最高；但绝对差随 hop 的排列并不单调：3-hop 列三个模型都至少高 18 pp（20.83 / 18.34 / 20.83）；2-hop 在 GPT-4o-mini 只有 8.33 pp（小于 Writing 的 13.00 pp），4-hop 在 Qwen-max 只有 3.34 pp（小于 1-hop 的 4.69 pp），5-hop 在 Qwen-max 只有 0.34 pp（小于 1-hop 与 Writing）。因此「难度越高提升越大」只能当论文的概括，不能逐列成立。

反直觉的点：去掉 Coding 之后，GoalAct 在 GLM-4-Plus 上还不如 ReAct

Table 3 只在 GLM-4-Plus 上做消融，转录如下。

Table 3 全文转录（GLM-4-Plus；"w/o" = 移除对应模块）。

• ALL 列降幅：去掉 global plan −8.14 pp，去掉 searching −8.04 pp，去掉 coding −14.06 pp，去掉 writing −4.46 pp（均为「GoalAct ALL − 对应变体 ALL」的绝对百分点差，不是相对降幅：0.8710 − 0.7896、0.8710 − 0.7906、0.8710 − 0.7304、0.8710 − 0.8264）。论文原文写作 "reduces average performance by 8.14%, 8.04% for Searching, 14.06% for Coding, and 4.46% for Writing"，与上表逐位对上的仍是绝对差。
• Writing 列的降幅：论文原句 "(with Writing tasks specifically declining by 3.96%)"，对应 Writing 列 0.8643 → 0.8247，差 3.96 pp。
• 反直觉处：w/o coding 的 ALL 是 0.7304，低于 Table 2 里同一模型 GLM-4-Plus 的 ReAct（0.7499）——去掉 Coding 技能的 GoalAct，在 ALL 上不及最简单的 ReAct。w/o global plan（0.7896）与 w/o searching（0.7906）仍高于 ReAct，但相对 ReAct 的领先从 12.11 pp 缩小到 3.97 / 4.07 pp（绝对差；0.7896 − 0.7499 = 0.0397，0.7906 − 0.7499 = 0.0407）。
• 消融没有解释机制：论文没有说明 w/o global plan 具体替换成什么策略（是退化为 ReAct 式逐步，还是没有计划层、只按技能执行），也没有说明移除某技能后该步骤如何降级。

这节只列论文自己能查到的边界：单一基准、单次运行、正文未给实现细节、没有开销数据。

一句话：GoalAct 在这个基准上证明了「计划写到技能粒度 + 每步重排」比四种常见组织方式在 API 模型上更有效，并且消融显示三个技能都不可少；但要把它搬进自己的系统，最需要先补上的是开销对照与跨领域验证，这两块论文都没有给。