AI Agent（Agentic）规划模式-编程实验室

聊到AI Agent的规划模式，这确实是目前让大模型从“聊天”走向“干活”的核心。一个Agent能有多可靠，基本就取决于它的规划能力。

简单来说，Agent的规划模式可以分成两大流派，再往上有一层反思与优化机制。

这种模式像考试做论述题，先在草稿纸上列完整大纲，再一气呵成。它追求的是全局最优解。

工作原理：在行动前，利用大模型生成一个完整的任务步骤序列。当前状态、环境反馈都会作为提示词的一部分，让模型一次性输出后续所有动作。
核心依赖：大模型强大的推理能力，常用的提示词技巧是思维链(CoT)的加强版，比如ReAct（推理+行动）模式。它会引导模型交替思考“我需要做什么”和“我该用什么工具”。
适用场景：任务相对确定、步骤间依赖关系清晰、环境变化慢的场景。比如做市场分析报告、写有固定结构的代码。

这种模式像玩开放世界游戏，只有一个大致方向，具体路径要根据遇到的人和事随时调整。它不追求全局最优，而是通过快速响应环境变化来完成目标。

工作原理：通常不制定完整的长计划，只根据当前状态决定下一步动作。执行后，把新状态再次输入，循环决策。这构成了经典的感知-思考-行动循环。
核心算法：
- ReAct：这也是动态规划的一种，思维和行动交替进行。
- Plan-and-Execute：分两层，一个规划器先生成步骤列表，一个执行器逐步执行并根据反馈微调。
适用场景：开放、不确定的环境，如网页浏览、复杂软件交互等。

在基础规划之上，有三个实用的设计模式，能让Agent的能力飞跃。

让Agent在行动后，有能力审视自己的输出。核心是“先生成，再批判”。例如，先生成代码，然后由同一个或另一个模型对代码的安全性和正确性进行审查，并基于审查意见自动修正。这个模式能有效减少幻觉和低级错误。

这是Agent能力的延伸。规划时，Agent需要知道“在什么时候、用什么工具、解决什么问题”。这要求在提示词中清晰定义每个工具的功能、输入参数格式，让模型能准确地在推理过程中生成调用指令。

复杂任务常被拆解给多个角色Agent，通过对话或工作流协作。

聊天式协作：像在群里，Agent们通过“发布-订阅”模式沟通。例如，用户提需求，规划Agent拆解任务，工程师Agent写代码，审查Agent提意见，全程自动对话。
结构化协作：通过预定义的有向图或状态机来编排流程，像生产线。各环节稳定可靠，适合需要高稳定性的企业级应用。

AI Agent 的“规划模式（Planning Pattern）”本质上是让智能体从单纯的“被动应答”转向“主动拆解任务、制定策略”，核心解决的是面对复杂目标时，怎么把“做什么”变成合理的“怎么做”这一问题。

规划模式最关键的特质是先拆解，后执行。Agent 接到高层目标（如“策划团建”）后，先分析现状与约束，自主生成结构化的行动步骤（如“查预算→搜场地→比对报价”），并在执行中根据反馈（如场地被订满）动态调整计划，而不是死板地执行预设脚本。

根据推理结构和任务特性，常见的规划范式主要有以下几种：

Plan-and-Execute（先规划后执行）：最经典的分层架构。由 Planner 一次性生成全局步骤清单，Executor 按序调用工具落地，若中途失败则触发 Replanner 局部修正。全局视野强、可解释性高，适合多步骤、长链路稳定任务（如自动排差旅、生成行业报告）。
ReAct（推理-行动循环）：采用“思考(Thought)→行动(Action)→观察(Observation)”的交替循环。边想边做，实时根据环境反馈调整，灵活性极高，适合需要频繁与外部动态环境交互的任务（如机器人导航、实时网页爬虫），但长任务易上下文漂移。
CoT / ToT（思维链/思维树）：CoT 引导模型线性生成中间推理步骤，适合数学逻辑等确定性问题；ToT 扩展为树状多路径探索，对多个可能方向评估回溯，适合创意生成或需探索最优解的场景（如策略游戏、复杂调度），但计算开销较大。
Hierarchical / Multi-Agent（层级/多智能体协作）：引入“管理者-工人”或角色分工（PM、研究员、工程师等）。管理者拆解任务分派给专项子 Agent 并行处理，最后汇总。适合超大任务隔离上下文、需多角色协同的复杂项目。