跳到主要内容

规划与推理

问题​

Agent 如何进行任务规划和分解？有哪些规划策略？

答案​

规划（Planning）是 Agent 将复杂目标分解为可执行子任务的能力，是区分简单工具调用和真正 Agent 的关键。

一、规划策略​

1. 任务分解（Task Decomposition）​

PLANNING_PROMPT = """你是一个任务规划助手。将用户的复杂任务分解为可执行的子步骤。

任务：{task}

请按以下格式输出执行计划：
1. [步骤描述] - 使用工具：[工具名]
2. [步骤描述] - 使用工具：[工具名]
...

注意：
- 步骤之间要有逻辑顺序
- 每步应该是一个可独立执行的原子操作
- 标注哪些步骤可以并行执行
"""

2. Plan-and-Execute 模式​

与纯 ReAct 的区别：

  • ReAct：每步都重新思考下一步做什么（逐步推进）
  • Plan-and-Execute：先生成完整计划，再逐步执行（全局视角）

3. 自适应规划​

def adaptive_planning(task: str, llm):
    # 1. 生成初始计划
    plan = generate_plan(task, llm)

    results = []
    for i, step in enumerate(plan.steps):
        # 2. 执行当前步骤
        result = execute_step(step)
        results.append(result)

        # 3. 检查是否需要调整计划
        if should_replan(plan, results, llm):
            # 基于已有结果重新规划剩余步骤
            remaining_task = summarize_remaining(task, results)
            plan = generate_plan(remaining_task, llm)

    return synthesize_results(results, llm)

二、ReAct vs Plan-and-Execute​

维度ReActPlan-and-Execute
规划方式逐步决策先规划后执行
全局视角弱强
灵活性高（随时调整）需重新规划
适用任务简单、步骤少复杂、步骤多
Token 消耗每步都带完整上下文规划阶段集中消耗

三、反思与自我纠正​

Agent 需要能够评估自己的输出并进行修正：

REFLECTION_PROMPT = """评估以下回答的质量：

问题：{question}
回答：{answer}

请从以下维度评分（1-5）：
1. 准确性：信息是否正确？
2. 完整性：是否回答了所有方面？
3. 相关性：是否切题？

如果分数 < 4，请指出问题并给出改进建议。
"""

常见面试问题​

Q1: Agent 的规划能力受什么限制？​

答案：

  1. LLM 推理能力：规划本质依赖 LLM 的推理——模型越强，规划越好
  2. Context Window：长计划需要大量上下文记录历史步骤
  3. 工具理解：Agent 需要理解每个工具能做什么才能正确规划
  4. 不确定性传递：每步的错误会传递并放大

Q2: 如何提升 Agent 的规划质量？​

答案：

  • 使用更强的模型（GPT-4o、Claude Opus）做规划
  • 提供 Few-shot 示例（成功的规划案例）
  • 限制计划步骤数（通常 5-10 步）
  • 添加自我反思和重新规划机制

相关链接​