계획 작업은 양적 제약과 질적 목표를 모두 포함하며, 대규모 언어 모델(LLM)은 질적 측면에서 잘 처리하지만 양적 물류 제약에 어려움을 겪는다. 이를 극복하기 위해 LLM이 초기 계획을 제안하고 실제 세계 요소(예: 여행 시간, 영업 시간)와의 유사성을 최적화하는 하이브리드 시스템이 개발됐다. 시스템은 사용자 질의를 받아 LLM에 전달하고, 실제 세계 데이터를 기반으로 구성 요소를 추가하여 실행 가능성 문제를 해결하고 대체 활동을 검색하는 등의 작업을 수행한다. 최적화 알고리즘은 2단계로 구성되며, 첫 번째 단계에서는 각 날의 최적 일정 계획을 결정하고, 두 번째 단계에서는 전체 일정을 최적화하여 총 점수를 최대화하는 일정을 찾는다. 알고리즘은 초기 일정을 로컬 조정하여 총 점수를 증가시키고, 최종 일정을 생성한다. 시스템은 뉴욕 시의 저명하지 않은 박물관을 방문하는 여행 계획과 같은 질의에 대해 테스트 되었으며, LLM에만 의존하는 경우보다 더 적절한 일정을 생성할 수 있었다. 또한, 시스템은 원래 LLM이 제안한 일정을 수정하여 자연스럽지 않은 일정 구성 문제를 해결할 수 있었다. 이 작업은 이벤트 조직, 에란드 스케줄링과 같은 일상 작업에 대한 함의를 가지고 있으며, 실제 세계 제약을 탐색하는 시스템을 개발하는 더 큰 노력의 일부분이다. 시스템은 여러 개인과 함께 개발되었으며, 다른 사람들의 유용한 지침을 받았다.