【AI大模型】如何实现Manus任务规划模块（Planner/Master）？看完这一篇你就知道了！！

gent 里面有个很关键的模块叫做任务规划(Plan), Agent产品用多了的都会看到这样类似manus的任务进度模块的一个界面。其实这个模块类似于这个任务的项目经理，对整个任务进行规划和管理。

嘴巴吃糖了

756人浏览 · 2025-08-14 19:21:04

嘴巴吃糖了 · 2025-08-14 19:21:04 发布

前言

Agent 里面有个很关键的模块叫做任务规划(Plan), Agent产品用多了的都会看到这样类似manus的任务进度模块的一个界面。其实这个模块类似于这个任务的项目经理，对整个任务进行规划和管理。

Claude Code 作为一款Code Agent 也有这个任务规划模块，下方Claude Code 的运行截图，笔者让 Claude Code 帮我生成一个打地鼠游戏，它首先做了一个任务规划：

先创建游戏文件夹
生成整个游戏布局的 html
生成实现游戏逻辑的 js
生成美化游戏的 CSS
增加一些游戏特效，比如难度设定等

同时记录任务的状态：

正在进行的任务，用彩色表示；
已经完成任务，用绿色表示，并用删除线划掉；
待办的任务，用白色表示；

那这个功能到底怎么实现呢，其实是 Agent 里面的任务规划模块，也就是 Planner （或者 master）。今天笔者就借一个 Prompt 介绍一下什么是 Agent 系统里面的 Planner 。

什么是 Planner （或者 master）

Planner 是 Agent 用来把“一个需求”变成“可执行步骤”的项目经理。它回答三个核心问题：

做什么： 把复杂目标拆成 3-5 个清晰动作。最近也有论文验证 plan 的步骤不能过多。
先做哪个： 给出依赖关系，告诉 Agent 哪些步骤可以并行，哪些必须串行。
做到哪了： 用待办（pending） →（正在处理） in_progress → （完成）completed 实时更新进度。
做错了怎么办： 如果出现异常该怎么办

下方是https://github.com/ZTE-AICloud/Co-Sight/这个项目里面Planner/Master Agent 的 Prompt，我们通过这个 prompt 可以看看什么是Planner/Master 。本质上是希望创建了一个有向无环图（DAG）的执行计划，后续可以将这些计划分配给对应的 Agent 执行，并持续跟踪状态以及进行错误处理。

至于如何进行plan的管理，比如将plan放到文件系统还是内存，以及如何更新plan的状态，这个需要看 plan工具tools如何实现，这部分就是一些简单的状态变化的逻辑实现。可以看看上方项目中plan工具如何实现。

# 角色与目标
你是一个计划助手。你的任务是创建简单且可操作的计划，包含清晰的步骤。

# 通用规则
1. 当答案明确且直接时，立即返回结果，无需复杂规划
2. 保持计划简洁，仅聚焦于必要步骤
3. 避免过度规划 - 聚焦于实际所需内容

# 计划创建规则
1. 创建少量高层步骤（3-5 步为最佳）
2. 每个步骤应为清晰、具体的行动项
3. 使用以下格式：
   - 标题：计划标题
   - 步骤：[步骤1, 步骤2, 步骤3, ...]
   - 依赖项：{步骤索引: [依赖步骤索引1, 依赖步骤索引2, ...]}
4. 对于报告创建任务，聚焦于：
   - 信息收集（仅需 1-2 步）
   - 分析（1 步）
   - 报告创建（1 步）

# 重新规划规则
1. 首先评估是否需要调整：
   a. 如果无需调整，返回："计划无需修改，继续执行"
   b. 如果需要调整，使用 update_plan 并遵循以下格式：
        - 标题：计划标题
        - 步骤：[步骤1, 步骤2, 步骤3, ...]
        - 依赖项：{步骤索引: [依赖步骤索引1, 依赖步骤索引2, ...]}
2. 保留所有已完成/进行中/阻塞的步骤，仅修改“未开始”步骤，并在已完成步骤已提供完整答案时移除后续无关步骤
3. 处理阻塞步骤时：
   a. 首先尝试重试步骤或调整为替代方案，同时保持整体计划结构
   b. 如果多次尝试失败，评估该步骤对最终结果的影响：
      - 若影响较小，跳过并继续执行
      - 若对最终结果至关重要，终止任务并提供阻塞原因、未来尝试建议和可选替代方案
4. 保持计划连贯性：
   - 保留步骤状态和依赖项
   - 保留已完成/进行中/阻塞步骤，调整时尽量减少改动

# 最终化规则
1. 对成功任务，包含关键成功因素
2. 对失败任务，提供主要失败原因及改进建议

# 示例
计划创建示例：
对于任务“开发一个网络应用”，计划可能为：
标题：开发一个网络应用
步骤：["需求收集", "系统设计", "数据库设计", "前端开发", "后端开发", "测试", "部署"]
依赖项：{1: [0], 2: [0], 3: [1], 4: [1], 5: [3, 4], 6: [5]}

Agent 为什么要有 Planner

我个人认为有以下几个原因：

降低执行风险：避免遗漏步骤或顺序错误
提升效率：减少重复收集信息和无效操作
可控性与透明度：用户或上层系统可随时查看计划与进度
应对复杂任务：尤其是多步骤、跨模块或需要中途调整的情况

Planner 的流程

生成计划：用 3-5 个高层步骤 + 依赖表，形成一个有向无环图。笔者用上方 prompt 让豆包生成下方的执行计划。

任务：策划一场公司年会

步骤：["明确年会需求与目标", "确定年会主题与形式", "编制年会预算", "筛选与确定年会场地", "制定年会流程框架", "策划节目与互动环节", "邀请嘉宾与通知员工", "采购年会物资与奖品", "安排场地布置与设备调试", "组织节目彩排", "确认年会当天工作人员分工", "年会现场执行", "年会后续总结与反馈收集"]

依赖项：{1: [0], 2: [0], 3: [1, 2], 4: [1], 5: [4], 6: [2, 4], 7: [3, 4], 8: [5, 6], 9: [5, 8], 10: [5, 6], 11: [9, 10], 12: [11], 13: [12]}

执行监控：每完成一步就更新状态（已完成 / 进行中 / 阻塞），保留已完成/进行中/阻塞步骤。
处理阻塞：成功输出关键成功因素；失败给出原因 + 改进建议。这一步主要是为了给重规划收集信息，方便进行重新规划。
重新规划：评估是否需要重新规划任务

结语

其实 Planner 本质上还是 Prompt + tools 的设计，这部分设计得越好，模型的能力越强，规划能力就越强，任务完成的效果也就越好。而且一般还需要加上human in loop ，也就是当用户不满意这个plan时，可以人为去干预。但是目前为止好像很多Agent的human in loop做得不好，期待Agent系统能够更进一步。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

在这里插入图片描述

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。
在这里插入图片描述
最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。