让 AI 连续订票、查资料或操作软件，麻烦往往不在第一步，而在执行到一半：工具返回意外结果，原计划已经走不通。过去常见的做法是重写整份计划，也可能顺手改坏本来正确的部分。Plan-and-Patch 试着让长程 Agent——能连续完成多步任务的 AI——像修改行程单一样，只替换受影响的几步。
它使用扩散语言模型（dLLM）做规划。这类模型不像普通语言模型那样从左到右逐词写，而是反复修改整张草稿，并行补全多个位置。执行器发现失败后，会结合现有计划、执行记录和环境反馈，选出需要修补的区域并说明修改要求；模型随后填补这段空缺，前后的有效步骤保持不动。
论文作者称，在无需针对任务训练的 Natural Plan 旅行与日程测试中，扩散模型的计划修复成功率接近自回归模型的两倍。经过专项训练后，两类模型在 ALFWorld 家务任务和 TextCraft 制作任务上的表现相近。这个结果值得关注的不是“计划一次写对”，而是 Agent 开始把计划当作可局部维护的草稿；不过上述效果目前仍来自作者的实验报告。