引言
在我的世界这种虚拟环境中，要完成一些任务目标是很复杂的，并不能通过单步推理完成，往往需要多步推理。然而，现有的方法往往是正向推理，它们进行到某一步后，就不知道下一步应该怎么做了，就如图中上半部分的例子所示，要获得一把钻石镐，前面的推理过程还可以照常推理下去，然而到了中间的某一步之后，就不知道下一步要干什么了。
在反向推理的方式中，如图中下半部分，首先是假设自己已经获得了一把钻石镐，那么就会开始思考，要实现这个假设，我应该怎么做。这样一步一步往前推，直到最开始的那一步。
然而，反向推理也不是一个完美的解决方案。
就如上图所示，反向推理的代理只考虑了要实现的目标，而没有考虑当前🌏世界环境的状态。就如图中的例子所示，当前的史蒂夫是在地面上的，石头只在地面下存在，这就导致了冲突，导致这条推理链失败，导致最后的任务失败
框架
BAR 总共有三个模块
1️⃣：递归目标分解模块（recursive goal decomposition module）
2️⃣：状态一致性维护模块（state consistency maintaining module）
3️⃣：阶段记忆模块（stage memory module）
递归目标分解模块
- 任务目标（Task Goal）
- 顶层目标：
Obtain 1 钻石镐（获得 1 把钻石镐） - 这是整个流程的起点，所有子目标和步骤都围绕它展开。
- 目标分解（Decomposition）
-
顶层目标会被递归分解：
-
分解为可执行步骤（Step，蓝色框）和子目标（Sub-goal，绿色框）
-
例如：
Obtain 1 钻石镐→ 分解为Craft 1 钻石镐（步骤） + 3 个子目标：Collect 3 钻石Obtain 2 木棍Obtain 1 工作台
-
-
子目标会继续分解，直到所有节点都变成可直接执行的原子步骤（比如 “挖石头”“做木板”）。
- 执行队列与栈
- 目标队列（Goal Queue） ：存放待分解的子目标，遵循 “先进后出” 的栈式逻辑，总是先处理最顶层的目标。
- 步骤栈（Step Stack） ：存放所有最终分解出的可执行步骤，按顺序依次弹出执行。
状态一致性维护模块
反向推理也不是一个完美的解决方案，没有考虑当前世界环境的状态，状态一致性维护模块则就是要解决这个问题的。
作者就提出通过正向推理和反向推理来保持状态一致性的方法。
采用正向推理的规划方法，在选定的锚步之间生成局部规划，最后，对初始方案和补充部分方案进行整合，以纠正初始方案中可能出现的错误。
流程总结
- 初始计划 → 发现步骤存在逻辑漏洞（比如缺少挖地下的步骤）。
- 锚定问题区间 → 用评分或滑动窗口定位需要修正的步骤段。
- 正向推理补全 → 基于规则推理，插入缺失步骤。
- 生成改进计划 → 得到更完整、可执行的步骤序列。
阶段记忆模块
如果每个任务都要像之前的那种顺序执行一次，那么效率太低了，每次都要很多轮的迭代。因此，就设计了一个阶段记忆模块，相当于代理的“经验库”。
