본 논문은 장기 계획 과제에서 오류 누적 문제로 인해 안전성과 효율성이 떨어지는 대규모 언어 모델(LLM)의 한계를 극복하기 위해, LLM 액터와 LTL(Linear Temporal Logic) 기반의 LLM 비평가인 LTLCrit으로 구성된 모듈형 액터-비평가 구조를 제안한다. LLM 액터는 자연어 관찰을 통해 고수준 행동을 선택하고, LTLCrit은 전체 경로를 분석하여 안전하지 않거나 비효율적인 미래 행동을 방지하는 새로운 LTL 제약 조건을 제시한다. 이 구조는 고정된 수동 지정 안전 제약 조건과 장기적인 효율성을 높이는 적응적 학습 소프트 제약 조건을 모두 지원하며, 모델과 무관하게 사용 가능하다. Minecraft 다이아몬드 채굴 벤치마크에서 100% 완료율과 기존 LLM 플래너 대비 향상된 효율성을 달성하여, 논리 기반 상호 감독을 통한 LLM의 안전하고 일반화 가능한 의사결정 능력을 보여준다.
