解读

面试官真正想考察的是：

1. 你是否吃透PDDL的经典封闭世界假设（Closed-World Assumption, CWA）与静态域模型；
2. 能否把“持续学习”带来的动态本体、非稳态奖励、策略漂移等冲击，翻译成PDDL形式系统的语言；
3. 是否具备在国产大模型+强化学习落地场景（如电网调度、网约车派单）里，把“持续学习”做成可解释、可回滚、可安全对齐的工程方案。

知识点

1. PDDL五大基本假设
   a. 封闭世界：未显式声明的命题为假；
   b. 静态域：谓词/动作模式在规划周期内不变；
   c. 确定性动作效果；
   d. 目标一次性达成，无持续收益；
   e. 规划与执行严格二分，执行期不更新模型。

2. 持续学习的三条技术主线

   • 参数持续学习：在线微调大模型，出现灾难性遗忘；
   • 结构持续学习：动态增删谓词、类型与动作，本体漂移；
   • 策略持续学习：奖励函数随数据分布非稳态变化，策略震荡。

3. 国内工程红线

   • 安全等保2.0要求模型变更可审计；
   • **工信部《生成式AI管理暂行办法》**要求版本回滚≤30分钟；
   • 电力、金融等关键领域要求可解释性报告随版本同步输出。

答案

引入“持续学习”关键字后，PDDL的四条核心假设被直接打破：

1. 封闭世界假设失效
   持续学习会在线发现新实体（如新设备、新道路），必须开放世界语义；否则规划器把未知常量当false，导致致命性漏解。

2. 静态域假设失效
   关键字允许在求解循环中动态追加谓词与动作，domain文件不再只读；传统规划器缓存的** grounded 动作全集瞬间失效，需增量重grounding**。

3. 确定性效果假设失效
   持续学习用贝叶斯更新或RL估计动作成功率，使得同一动作带时变概率分布；PDDL 2.1的:probabilistic-effects虽可语法兼容，但求解器必须换成SSP或MDP引擎，彻底脱离经典A*。

4. 规划-执行二分假设失效
   持续学习要求执行→观测→更新模型→再规划的闭环，PDDL batch规划模式被在线规划（ continual planning）取代；国内落地时须引入版本影子库+灰度回滚，满足等保可审计要求。

总结：持续学习关键字把PDDL从“一次性离线编译”拉向“在线演化操作系统”，需要重写语义层、求解层、运维层三块栈。

拓展思考

1. 如何在国产昇腾或寒武纪芯片上，把持续学习后的新domain文件热加载到规划服务，GPU显存不重启？
   答案提示：用共享内存+内存映射方式，double-buffering domain对象，切换时原子替换指针，配合RCU机制保证请求零丢包。

2. 若持续学习导致奖励函数漂移，如何给电网调度Agent做安全对齐？
   答案提示：引入Shield约束层，用CTL公式固化“频率波动<±0.05Hz”等硬规则；每次模型更新后跑形式化验证，30秒内出具报告，不满足立即回滚到上一通过验证的checkpoint。