深入理解大模型Agent的规划模式(Planning Pattern)：比ReAct更强大的解决方案

规划模式是AI Agent在执行任务前先制定高级计划的工作方式，与ReAct模式不同。它能帮助Agent处理复杂任务，通过全局视角提高效率和准确性，避免遗漏重要步骤。规划模式包含三个阶段：规划阶段（分析目标生成子任务列表）、执行阶段（按顺序完成每个子任务）和聚合响应阶段（整合结果）。这种模式特别适用于问题可分解为子任务的情况，能提供更可解释和可验证的解决方案。当执行过程中遇到问题时，Agent还可重新调整计划，确保任务顺利完成。

1. 什么是规划模式

规划模式让AI Agent在执行任何操作之前制定计划或解决方案。

Planning Agent不会像ReAct那样直接深入到逐步推理和工具使用中，而是会先为任务指定一个高级计划或路线图，之后Agent会去执行计划中的每一个步骤，最终给出答案。这种方式通过首先制定计划然后采取行动，增强了LLM代理处理复杂任务和决策的能力。

2. 为什么要规划

为什么我们需要为AI Agent设置明确的规划阶段？简而言之，有些问题过于复杂，如果没有全局战略，就无法一步一步解决。ReAct范式擅长被动决策。Agent会观察当前状态，决定一个动作并执行，然后观察结果并重复执行。

这对简单或高度不确定的任务非常有效，但对于受益于全局观的多步骤问题可能效果不好。Planning模式通过细分任务和概述目标，Agent可以获得对问题的整体看法，更具有战略性和更高的效率。

在这种情况下，ReAct Agent可能最终也能找到答案，但在过程中蜿蜒曲折或重复工作，因为每次它只能决定一个动作；而规划Agent会尝试提前确定所有必要的步骤，并且不太可能偏离目标。

规划是有效的，另一个原因是避免错过重要步骤，即使强制LLM逐步推理，也可能会跳过关键步骤或产生有缺陷的解决路径而出现幻觉。如果我们强调模型先制定计划再执行它，我们会迫使它思考整个解决方案路径，从而减少跳过步骤的机会。ReAct代理的设计使其每次只能规划一个动作，并且不一定会预见下一步之后的动作，可能导致复杂任务的执行轨迹不理想。

使用规划有效的情况：

• 问题自然地分解为子任务或阶段
• 不规划，Agent可能在许多步骤中忘记要求或背景。
• 贪婪的循序渐进的方法可能会陷入困境或偏离轨道。
• 希望Agent的解决方案路径是可解释和可验证的。

3.规划模式实际上如何运作

Agent会花一些时间提前思考，然后才逐一执行这些步骤。通过以这种方式构建Agent循环，可以获得更有条理、通常更高效的工作流程。

• 首先，LLM规划师分析用户请求并生成子任务列表。
• 单任务执行Agent按顺序处理每一个子任务，可能使用工具来完成。
• 单步任务执行后，Agent会根据结果更新其状态。如果新信息需要，Agent会在继续执行之前重新规划。
• 所有步骤完成后，Agent会像用户发出响应。这种关注点分离使得清晰的长期规划与迭代操作相结合成为可能。

3.1.规划阶段

Agent检查用户的查询或目标并制定高级计划，通常意味着将问题分解为子目标或子任务，可能会提示LLM输出解决问题所需的有序步骤列表。

此时，Agent正在创建路线图，尚未解决任何问题，它会在执行之前分析目标并决定策略，生成的计划可以是简单 的语言或结构化格式，只要后续步骤可以解释即可。

3.2. 执行阶段

一旦有了计划，Agent就会进入循环，迭代执行每个子任务。从计划中迈出第一步，执行并获取结果，然后进入下一步，以此类推。在执行过程中，Agent可能会根据每个子任务的需要调用外部工具或API，Agent始终将该计划作为下一步的行动指南，而不是从头开始构思新的行动，一直持续到所有计划的步骤都完成。

在次阶段，Agent会将结果或中间发现汇总到记忆或暂存器中，每次迭代都可以被认为Agent在计划的指导下专注于单个子问题。

3.3.聚合和响应

执行必要的步骤后，Agent会收集所有相关的输出并组成最终的答案或结果。由于Agent遵循了结构化计划，因此在此阶段可以直接汇总结果然后将最终响应呈现给用户。

规划模式的一个可选但重要的方面是反馈和迭代。与传统程序不同，AI Agent可以检测到某些事情没有按预期进行时进行调整。在执行过程中，如果子任务失败或产生意外结果，代理可以决定重新审视计划。

理想情况下，代理将按照修改后的计划继续执行。实际上，可以通过再次调用LLM规划师来实现，向其提供部分进度并请求更新后的计划。这确保了当情况发生变化时，Agent不会陷入糟糕的初始计划。

通过将Agent的工作流程构建为计划阶段和执行阶段，可以获得更好的组织性、清晰度，并且通常可以为复杂任务获得更好的结果。

读者福利大放送：如果你对大模型感兴趣，想更加深入的学习大模型**，那么这份精心整理的大模型学习资料，绝对能帮你少走弯路、快速入门**

如果你是零基础小白，别担心——大模型入门真的没那么难，你完全可以学得会！

👉 不用你懂任何算法和数学知识，公式推导、复杂原理这些都不用操心；
👉 也不挑电脑配置，普通家用电脑完全能 hold 住，不用额外花钱升级设备；
👉 更不用你提前学 Python 之类的编程语言，零基础照样能上手。

你要做的特别简单：跟着我的讲解走，照着教程里的步骤一步步操作就行。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

现在这份资料免费分享给大家，有需要的小伙伴，直接VX扫描下方二维码就能领取啦😝↓↓↓

为什么要学习大模型？

数据显示，2023 年我国大模型相关人才缺口已突破百万，这一数字直接暴露了人才培养体系的严重滞后与供给不足。而随着人工智能技术的飞速迭代，产业对专业人才的需求将呈爆发式增长，据预测，到 2025 年这一缺口将急剧扩大至 400 万！!

大模型学习路线汇总

整体的学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战，跟着学习路线一步步打卡，小白也能轻松学会！

大模型实战项目&配套源码

光学理论可不够，这套学习资料还包含了丰富的实战案例，让你在实战中检验成果巩固所学知识

大模型学习必看书籍PDF

我精选了一系列大模型技术的书籍和学习文档(电子版)，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

大模型超全面试题汇总

在面试过程中可能遇到的问题，我都给大家汇总好了，能让你们在面试中游刃有余

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

👉获取方式：

😝有需要的小伙伴，可以保存图片到VX扫描下方二维码免费领取【保证100%免费】

相信我，这套大模型系统教程将会是全网最齐全 最适合零基础的！！