Die Planung von Aufgaben umfasst oft quantitative Einschränkungen und qualitative Ziele, und große Sprachmodelle (LLMs) sind gut darin, qualitative Aspekte zu bearbeiten, aber kämpfen mit quantitativen logistischen Einschränkungen. Um dies zu überwinden, wurde ein hybrides System entwickelt, das ein LLM verwendet, um einen initialen Plan vorzuschlagen und dann optimiert für Ähnlichkeit mit dem LLM und realen Faktoren wie Reisezeit und Öffnungszeiten. Das System nimmt eine Benutzeranfrage entgegen, leitet sie an ein LLM weiter und fügt dann Komponenten hinzu, um Fragen der Durchführbarkeit anzugehen, einschließlich der Verankerung des Reiseplans mit realen Daten und das Abrufen von Ersatzaktivitäten. Der Optimierungsalgorithmus besteht aus zwei Stufen, zunächst wird die optimale Terminplanung für jeden Tag bestimmt und dann wird nach einem Gesamt-Reiseplan gesucht, der den Gesamtwert maximiert. Der Algorithmus führt lokale Anpassungen am initialen Reiseplan durch, um den Gesamtwert zu erhöhen, was zu einem finalen Reiseplan führt. Das System wurde mit Anfragen getestet, wie z.B. die Planung einer Reise nach New York City, um weniger bekannte Museen zu besuchen, und konnte einen geeigneteren Reiseplan erstellen als wenn man sich allein auf Suchergebnisse verlassen würde. Das System korrigierte auch Probleme mit dem ursprünglichen Reiseplan, wie z.B. die Planung von Aktivitäten in einer unnatürlichen Weise. Die Arbeit hat Auswirkungen auf andere alltägliche Aufgaben, wie z.B. die Organisation eines Ereignisses oder die Planung von Besorgungen, und ist Teil einer größeren Anstrengung, Systeme zu entwickeln, die es LLMs ermöglichen, realweltliche Einschränkungen zu navigieren. Das System wurde in Zusammenarbeit mit mehreren Personen entwickelt und erhielt hilfreiche Anleitung von anderen.