LLM 作为控制器

一句话定义

LLM as a Controller 是把大模型当作决策器：读取目标、状态和观测，输出下一步动作/工具调用，环境执行后反馈，再进入下一轮。

为什么需要它

传统控制器依赖规则/优化，难处理开放语言任务；LLM 有常识和泛化能力，适合做“高层决策/任务分解”。它不直接替代底层控制，而是把自然语言目标转成可执行动作。

怎么工作

输入目标、状态、观测、记忆。
LLM 规划/选择动作，输出结构化指令。
约束/安全层校验权限、预算、急停。
工具/机器人/代码执行。
环境反馈回到 1，闭环迭代。

工程上常分层：LLM 做高层规划，技能库/底层控制器执行；动作要有结构化 schema。部分可观测场景需要状态估计/记忆/世界模型，否则容易短视。安全要有权限、预算、急停和人工接管，动作要幂等/可回滚。评测看任务成功率、步数、安全违规和延迟，仿真+真机都要测。它和 Agent 的区别是更强调动作接口/闭环控制，Agent 更泛。先小规模验证。

LLM as a Controller：模型作为决策器

关键取舍

LLM 擅长开放任务，但延迟/稳定性不如规则控制器。
高风险动作要校验/审批，不能只信模型输出。
状态/观测要结构化，否则模型容易误判。
复杂任务可分层：LLM 规划 + 技能/底层控制。

常见误区

LLM 控制器可以替代所有控制：实时/安全关键仍要专门控制。
输出动作就能执行：还要权限、校验、幂等。
模型越大控制越好：状态设计和工具接口更关键。
控制器不需要评测：要看任务成功率/安全/延迟。

用在哪里

Agent/工具编排、自动化运维。
机器人/自动驾驶的高层规划。
游戏 NPC/仿真控制。