MemPlan是一种面向部分可观测交互式文本环境的记忆增强型PDDL规划框架，于2026年10月24日以arXiv:2610.30379v1形式首次公开。该工作不将大语言模型（LLM）直接用作长程规划器，而是将其定位为连接自然语言观测与符号化规划的‘受限桥梁’。
框架核心在于保持PDDL领域定义固定，每一步根据解析后的观测、候选假设及交互记忆动态重建PDDL问题实例。其中，正向图记忆基于相关性为缺失对象、位置或条件的候选假设分配动作成本，引导规划器优先验证更合理的假设；负向记忆则记录被执行反馈证伪的假设，并将其编译为排除约束，避免重复尝试已被否定的选项。
MemPlan采用统一的模式条件化语言–符号接口，该接口通过离线监督微调训练完成，实现观测到逻辑事实的解析（observation-to-fact parsing）与符号动作到文本指令的映射（symbolic-action-to-command grounding）。实验在TextWorld、ALFWorld和Robotouille三个基准上验证了其有效性：相比纯语言方法及PDDL感知基线，MemPlan提升了任务完成率与步数效率；相比ReAct等LLM规划基线，显著降低了在线token消耗。同一微调接口可在TextWorld不同任务类型间直接复用，无需额外任务特化微调。
论文作者公开了全部代码与数据，托管于GitHub（https://github.com/tewiSong/MemPlan）。需注意：所有结论均基于论文所载实验与描述，未引入外部评估或第三方复现结果；发布时间2026-10-24为arXiv预印本发布日期，非期刊或会议正式录用时间。