Задачи планирования часто включают в себя как количественные ограничения, так и качественные цели. Большие языковые модели (БЯМ) хорошо справляются с качественными аспектами, но с трудом справляются с количественными логистическими ограничениями. Чтобы преодолеть эту проблему, была разработана гибридная система, которая использует LLM для предложения первоначального плана, а затем оптимизирует его с учетом сходства с LLM и реальных факторов, таких как время в пути и часы работы. Система получает запрос пользователя, передает его в LLM, а затем добавляет компоненты для решения проблем выполнимости, включая обоснование маршрута с помощью реальных данных и поиск заменяющих его мероприятий. Алгоритм оптимизации состоит из двух этапов: сначала определяется оптимальное расписание на каждый день, а затем ищется общий маршрут, который максимизирует общую оценку. Алгоритм вносит локальные коррективы в первоначальный маршрут, чтобы увеличить общую оценку, в результате чего получается окончательный маршрут. Система была протестирована на запросах, таких как планирование поездки в Нью-Йорк с посещением малоизвестных музеев, и смогла составить более подходящий маршрут, чем если бы она полагалась только на найденные в поисковой выдаче мероприятия. Система также исправила проблемы, связанные с оригинальным маршрутом, предложенным LLM, например, неестественное планирование мероприятий. Эта работа имеет значение для других повседневных задач, таких как организация мероприятия или планирование поручений, и является частью больших усилий по разработке систем, позволяющих LLM ориентироваться в реальных ограничениях. Система была разработана в сотрудничестве с несколькими людьми и получила полезные рекомендации от других.