什么是 Plan-and-Execute

Plan-and-Execute = Planning（规划）+ Execution（执行）

这是一种将复杂任务先进行全局规划，然后按计划逐步执行的架构模式，强调先思后行、有序推进。

人类类比

想象你在规划一次旅行。与其走一步看一步，更明智的做法是先制定一个清晰的行程表，然后按计划执行。这个流程图展示了这种思维方式：

从图中可以看到，我们首先在顶层确立目标，然后分解成具体的日程安排。每个日程进一步细化为可执行的具体任务（预订、购票等）。执行过程中，我们会定期检查进度，发现问题及时调整后续计划。

这就是 Plan-and-Execute 的本质：先制定完整计划 → 逐步执行 → 检查进度 → 必要时调整计划。这种方法让复杂任务变得有序可控，避免迷失方向。

定义

Plan-and-Execute 是一种目标导向的架构模式，特点是：

• • 先进行全局规划，后执行具体任务
• • 计划具有层次结构（高层目标 → 子任务）
• • 执行过程相对独立和并行
• • 支持计划的监控和动态调整
• • 适合长时间、多步骤的复杂任务

为什么需要 Plan-and-Execute

在开始深入之前，让我们先理解为什么需要这种范式。要回答这个问题，我们需要看看传统方法在处理复杂任务时遇到的挑战。

ReAct 的局限性

使用传统的 ReAct 模式处理复杂任务时，会遇到以下问题：

问题1：容易迷失方向
用户: "帮我分析竞争对手，制作市场报告"
ReAct: 思考 → 搜索公司A → 思考 → 搜索公司B → 思考 → 咦，我要做什么来着？

 问题2：效率低下
每一步都需要重新思考"下一步做什么"，缺乏全局视野

 问题3：难以并行
所有任务必须串行执行，无法利用并发能力

 问题4：成本高昂
每个思考步骤都需要调用 LLM，token 消耗大

这些问题在简单任务中或许不明显，但当任务变得复杂、步骤增多时，就会显著影响效率和质量。

Plan-and-Execute 的优势

全局规划：一次性制定完整路线图
 高效执行：明确知道要做什么，减少重复思考
 支持并行：多个独立子任务可以同时执行
 降低成本：规划阶段用强模型，执行阶段可用弱模型
 易于监控：清晰的计划使进度可视化
 灵活调整：可以根据执行结果重新规划

Plan-and-Execute 的核心原理

理解了为什么需要 Plan-and-Execute，接下来我们深入探讨它的核心工作原理。整个框架可以分解为三个关键组件，它们相互配合形成一个完整的闭环系统。

三大核心组件

下面这张架构图展示了 Plan-and-Execute 的核心流程：

从图中可以看出，整个流程分为三个阶段：规划（Planning）、执行（Execution）**和**评估（Evaluation）。规划器负责将复杂任务分解为具体步骤，执行器按计划完成每个步骤，评估环节则决定是否需要调整计划。这种设计使系统既有全局视野，又保持灵活性。

1. Planner（规划器）

职责：将复杂任务分解为有序的子任务列表

规划器的工作流程可以用下图表示：

规划输出示例：

任务: 分析市场并制作竞争报告
 ↓
步骤1: 收集竞争对手列表 [web_search]
 ↓
步骤2: 分析产品特点 [web_scrape] (依赖步骤1)
 ↓
步骤3: 收集市场份额 [data_query] (依赖步骤1)
 ↓
步骤4: 生成报告 [document_generate] (依赖步骤2,3)

特点：

• • 使用强大的 LLM（如 GPT-4）进行规划
• • 只在开始时和需要调整时调用
• • 生成结构化的任务列表

2. Executor（执行器）

职责：按照计划执行每个子任务

执行器的核心流程：

特点：

• • 可以使用较弱的 LLM 或专门工具
• • 专注于执行单个明确的任务
• • 支持并行执行独立任务

3. Replanner（重规划器）

职责：在执行过程中遇到问题时调整计划

重规划的触发场景：

常见触发条件：

• • 任务执行失败
• • 发现新的重要信息
• • 依赖条件发生变化
• • 用户需求调整

Plan-and-Execute 的工作机制

前面我们介绍了核心组件，现在让我们通过一个完整的时序图来看看这些组件如何协同工作。这将帮助我们理解从接收任务到返回结果的全过程。

完整流程图

这张时序图展示了各个组件之间的交互过程：

从图中可以看到，规划器首先进行"三步走"：分析任务、分解子任务、确定依赖关系。然后执行器接管，循环处理每个步骤。关键的是，执行过程中如果遇到问题，系统可以回到规划阶段重新制定计划，体现了动态调整的能力。

详细步骤

让我们通过一个具体示例来理解每个步骤的实际操作：

步骤1：任务输入

user_task = "帮我研究 AI Agent 市场，写一份包含技术趋势和竞争格局的报告"

步骤2：规划阶段

规划器会将任务分解为多个步骤，并确定依赖关系：

输出的执行计划：

• • 步骤1和2可以并行执行（无依赖）
• • 步骤3依赖步骤1的结果
• • 步骤4依赖步骤2的结果
• • 步骤5需要等待步骤3和4完成

步骤3：执行阶段

执行器按照依赖关系智能调度任务：

并行执行策略：

执行核心逻辑：

1. \1. 找出所有依赖已满足的任务 → 并行执行
2. \2. 记录结果并检查是否需要重规划
3. \3. 重复直到所有任务完成

步骤4：执行过程示例

执行日志：
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

[Round 1] 并行执行独立任务
├─ Task 1: 搜索 AI Agent 技术趋势
│  └─ 状态: ✓ 完成
│  └─ 结果: 找到 15 篇相关文章
│
└─ Task 2: 搜索 AI Agent 产品和公司
   └─ 状态: ✓ 完成
   └─ 结果: 找到 8 家主要公司

[Round 2] 执行依赖任务
├─ Task 3: 分析技术趋势文章（依赖 Task 1）
│  └─ 状态: ✓ 完成
│  └─ 结果: 提取 5 个核心趋势
│
└─ Task 4: 分析竞争格局（依赖 Task 2）
   └─ 状态: ✓ 完成
   └─ 结果: 生成竞争矩阵

[Round 3] 最终汇总
└─ Task 5: 生成报告（依赖 Task 3, 4）
   └─ 状态: ✓ 完成
   └─ 结果: 报告已生成（3500 字）

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
总计: 5 个任务，3 轮执行，耗时 45 秒

规划器（Planner）设计

规划器的核心能力

规划器的五个核心步骤：

核心能力：

1. \1. 任务理解 - 分析用户意图和目标
2. \2. 任务分解 - 将复杂任务拆分为子任务
3. \3. 工具映射 - 为每个子任务分配合适的工具
4. \4. 依赖分析 - 确定任务之间的执行顺序
5. \5. 优化排序 - 最大化并行性和效率

任务分解策略

三种常见的分解策略：

1. 层次分解

将复杂任务递归分解为多个层次：

2. 时序分解

按时间顺序分解任务（发布软件版本示例）：

3. 并行分解

识别可以同时进行的任务流：

规划器提示词设计

核心规划原则：

1. \1. SMART 原则 - 具体、可衡量、可实现
2. \2. 最小化依赖 - 支持并行执行
3. \3. 合理粒度 - 不太细也不太粗
4. \4. 明确工具 - 为每个任务指定工具
5. \5. 清晰依赖 - 标注任务间依赖关系

执行器（Executor）设计

执行器的核心职责

执行器负责按计划执行任务，支持三种执行模式：

核心职责：

• • 监控任务依赖关系
• • 智能调度（串行/并行）
• • 维护执行状态
• • 触发重规划机制

任务执行策略

三种执行策略的对比：

1. 串行执行

• • 适用：任务有严格顺序要求
• • 优点：实现简单，资源占用少
• • 缺点：效率较低

2. 并行执行

• • 适用：所有任务相互独立
• • 优点：效率最高
• • 缺点：资源消耗大

3. 混合执行（推荐）

• • 适用：有依赖的复杂任务
• • 策略：分析依赖图，组内并行，组间串行
• • 优点：平衡效率和资源

执行上下文管理

执行状态管理的数据流：

状态管理职责：

• • 存储任务结果
• • 管理任务依赖
• • 维护全局上下文
• • 状态实时更新

重规划机制

何时需要重规划

重规划的五大触发条件：

触发场景示例：

1. \1. 任务失败 - API 调用失败，可切换备用方案
2. \2. 新信息 - 搜索发现更好的数据源
3. \3. 条件变化 - 依赖服务不可用
4. \4. 超时 - 任务耗时超过预期2倍
5. \5. 用户干预 - 用户修改需求

重规划策略

三种重规划策略的应用场景：

1. 局部调整

适用：单个任务失败，影响范围小
策略：保留已完成任务，只调整失败部分及后续依赖

2. 全局重规划

适用：发现重要新信息，需要改变整体策略
策略：基于新信息完全重新规划，但利用已有结果

3. 增量规划

适用：长期任务，分阶段执行
策略：当前阶段完成后，规划下一阶段目标

重规划实现

重规划器的工作流程：

重规划的关键要素：

• • 次数限制 - 避免无限循环
• • 历史分析 - 总结已完成和失败任务
• • 范围判断 - 局部还是全局
• • 计划验证 - 确保新计划可行

---

与其他范式的对比

了解了 Plan-and-Execute 的工作原理后，一个自然的问题是：什么时候该用它？什么时候用其他范式更好？让我们通过对比来找到答案。

Plan-and-Execute vs ReAct

这两种范式代表了两种不同的思维方式：一个强调"先谋后动"，一个强调"边走边看"。下表总结了它们的核心差异：

维度	Plan-and-Execute	ReAct
思考方式	先全局规划，后执行	边思考边行动
适用场景	复杂、多步骤、可预见的任务	探索性、动态变化的任务
执行效率	高（可并行，减少重复思考）	低（串行，每步都需思考）
灵活性	中（需要触发重规划）	高（每步都可调整）
成本	低（规划用强模型，执行可用弱模型）	高（每步都需调用 LLM）
可控性	高（清晰的计划和进度）	中（可能偏离目标）
错误处理	需要重规划机制	自然融入思考过程

关键区别：Plan-and-Execute 适合"目标明确、路径清晰"的任务，而 ReAct 适合"需要探索、情况多变"的任务。

Plan-and-Execute vs CoT

维度	Plan-and-Execute	CoT
核心	任务分解 + 执行	推理链展示
交互	与外部工具交互	纯推理，无外部交互
适用	需要行动的复杂任务	需要推理的问题
输出	执行结果	推理过程 + 答案

混合使用示例

class HybridAgent:
    """混合策略智能体"""

    defsolve(self, task):
        # 1. 判断任务类型
        task_type = self.classify_task(task)

        if task_type == "complex_actionable":
            # 使用 Plan-and-Execute
            plan = self.planner.plan(task)
            result = self.executor.execute(plan)

        elif task_type == "exploratory":
            # 使用 ReAct
            result = self.react_agent.solve(task)

        elif task_type == "reasoning":
            # 使用 CoT
            result = self.cot_agent.solve(task)

        else:
            # 混合使用
            # 先用 Plan-and-Execute 制定大框架
            high_level_plan = self.planner.plan(task)

            # 对每个子任务，根据需要选择 ReAct 或 CoT
            for subtask in high_level_plan.steps:
                if subtask.requires_exploration:
                    result = self.react_agent.solve(subtask)
                else:
                    result = self.simple_executor.execute(subtask)

        return result

实际应用场景

理论固然重要,但 Plan-and-Execute 的真正价值体现在实际应用中。让我们通过几个典型场景，看看这种范式如何解决真实世界的复杂问题。

场景1：数据分析报告生成

这是 Plan-and-Execute 的经典应用场景。数据分析任务通常包含多个清晰的步骤，且步骤之间有明确的依赖关系，非常适合先规划后执行。

# 用户任务
task = "分析我们公司过去一年的销售数据，生成详细的分析报告"

# Plan-and-Execute 方案
plan = {
    "goal": "生成年度销售分析报告",
    "steps": [
        {
            "id": 1,
            "task": "从数据库提取销售数据",
            "tool": "database_query",
            "sql": "SELECT * FROM sales WHERE year = 2024"
        },
        {
            "id": 2,
            "task": "数据清洗和预处理",
            "tool": "data_processing",
            "dependencies": [1]
        },
        {
            "id": 3,
            "task": "计算关键指标（总销售额、增长率等）",
            "tool": "data_analysis",
            "dependencies": [2]
        },
        {
            "id": 4,
            "task": "生成销售趋势图表",
            "tool": "visualization",
            "dependencies": [2]
        },
        {
            "id": 5,
            "task": "识别畅销产品和区域",
            "tool": "data_analysis",
            "dependencies": [2]
        },
        {
            "id": 6,
            "task": "编写分析报告",
            "tool": "document_generate",
            "dependencies": [3, 4, 5]
        }
    ]
}

# 执行优势：
# - Task 3, 4, 5 可以并行执行（都依赖 Task 2）
# - 清晰的数据流向
# - 每个步骤职责明确

场景2：软件发布流程

# 用户任务
task = "准备并发布软件 v2.0 版本"

# Plan-and-Execute 方案
plan = {
    "goal": "发布 v2.0 版本",
    "steps": [
        # 阶段1：准备工作（可并行）
        {
            "id": 1,
            "task": "运行完整测试套件",
            "tool": "test_runner",
            "dependencies": []
        },
        {
            "id": 2,
            "task": "更新版本号和变更日志",
            "tool": "version_manager",
            "dependencies": []
        },
        {
            "id": 3,
            "task": "生成 API 文档",
            "tool": "doc_generator",
            "dependencies": []
        },

        # 阶段2：构建（依赖测试通过）
        {
            "id": 4,
            "task": "构建生产版本",
            "tool": "build_system",
            "dependencies": [1, 2]
        },

        # 阶段3：发布（可并行）
        {
            "id": 5,
            "task": "发布到应用商店",
            "tool": "app_store_deploy",
            "dependencies": [4]
        },
        {
            "id": 6,
            "task": "更新官网下载链接",
            "tool": "website_update",
            "dependencies": [4]
        },
        {
            "id": 7,
            "task": "发送发布公告邮件",
            "tool": "email_sender",
            "dependencies": [4, 3]
        }
    ]
}

场景3：客户支持自动化

# 用户问题
user_question = "我的订单 #12345 还没收到，而且无法退款"

# Plan-and-Execute 方案
plan = {
    "goal": "解决客户订单问题",
    "steps": [
        {
            "id": 1,
            "task": "查询订单状态",
            "tool": "order_system",
            "parameters": {"order_id": "12345"}
        },
        {
            "id": 2,
            "task": "查询物流信息",
            "tool": "logistics_api",
            "dependencies": [1]
        },
        {
            "id": 3,
            "task": "检查退款资格",
            "tool": "refund_policy_checker",
            "dependencies": [1]
        },
        {
            "id": 4,
            "task": "生成解决方案",
            "tool": "solution_generator",
            "dependencies": [2, 3],
            "logic": """
            if 物流显示已签收:
                告知客户并提供签收凭证
            elif 物流异常:
                提供补发或退款选项
            elif 符合退款条件:
                启动退款流程
            else:
                转人工处理
            """
        },
        {
            "id": 5,
            "task": "发送回复给客户",
            "tool": "email_sender",
            "dependencies": [4]
        }
    ]
}

最后

选择AI大模型就是选择未来！最近两年，大家都可以看到AI的发展有多快，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？

与其在传统行业里停滞不前，不如尝试一下新兴行业，而AI大模型恰恰是这两年的大风口，人才需求急为紧迫！

由于文章篇幅有限，在这里我就不一一向大家展示了，学习AI大模型是一项系统工程，需要时间和持续的努力。但随着技术的发展和在线资源的丰富，零基础的小白也有很好的机会逐步学习和掌握。

【2025最新】AI大模型全套学习籽料（可无偿送）：LLM面试题+AI大模型学习路线+大模型PDF书籍+640套AI大模型报告等等，从入门到进阶再到精通，超全面存下吧！

获取方式：有需要的小伙伴，可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
包括：AI大模型学习路线、LLM面试宝典、0基础教学视频、大模型PDF书籍/笔记、大模型实战案例合集、AI产品经理合集等等

AI大模型学习之路，道阻且长，但只要你坚持下去，就一定会有收获。