La planification de tâches implique souvent à la fois des contraintes quantitatives et des objectifs qualitatifs, et les grands modèles de langage (LLM) sont bons pour gérer les aspects qualitatifs, mais ont du mal avec les contraintes logistiques quantitatives. Pour surmonter cela, un système hybride a été développé qui utilise un LLM pour suggérer un plan initial, puis optimise pour la similarité avec le LLM et les facteurs du monde réel comme le temps de trajet et les heures d'ouverture. Le système prend une requête utilisateur, la passe à un LLM, puis ajoute des composants pour résoudre les problèmes de faisabilité, notamment en ancrant l'itinéraire avec des données du monde réel et en récupérant des activités de substitution. L'algorithme d'optimisation comporte deux étapes, déterminant d'abord la planification optimale pour chaque jour, puis recherchant un itinéraire global qui maximise le score total. L'algorithme effectue des ajustements locaux sur l'itinéraire initial pour augmenter le score total, aboutissant à un itinéraire final. Le système a été testé avec des requêtes, telles que la planification d'un voyage à New York pour visiter des musées moins connus, et a pu produire un itinéraire plus adapté que si l'on s'appuyait uniquement sur des activités récupérées par recherche. Le système a également corrigé des problèmes avec l'itinéraire initial suggéré par le LLM, tels que la planification d'activités de manière non naturelle. Ce travail a des implications pour d'autres tâches quotidiennes, telles que l'organisation d'un événement ou la planification de courses, et fait partie d'un effort plus large pour développer des systèmes qui permettent aux LLM de naviguer dans les contraintes du monde réel. Le système a été développé en collaboration avec plusieurs individus et a reçu des conseils utiles de la part d'autres personnes.