Appearance
95. 什么是 Plan-and-Execute 模式？它和 ReAct 有什么区别？
难度 P0 必背 · 岗位 应用 · 频率 ★★★ · 预计阅读 11 min
本题阅读地图
- 💡 简要回答
- 📝 详细解析
- 🎯 面试总结
👔面试官：什么是 Plan-and-Execute？和 ReAct 有什么区别？
🙋♂️我：Plan-and-Execute 是先制定完整计划再执行，ReAct 是边思考边行动。前者适合复杂规划，后者更灵活。
👔面试官：什么时候用 Plan-and-Execute？计划失败时怎么处理？
🙋♂️我：复杂多步任务用 Plan-and-Execute。计划失败可以重规划或回退。
👔面试官：ReWOO 是什么？怎么减少 LLM 调用次数？
好，这道题要对比两种规划执行模式。
TL;DR 速记
- 是什么：Plan-and-Execute 是先由 Planner 制定完整计划，再由 Executor 按步骤执行。
- 关键点：它比 ReAct 更省 LLM 调用、适合步骤明确的任务，但灵活性更弱，失败时需要重规划或回退。
- 怎么答：对比 ReAct 的边想边做，再补一句 ReWOO 通过计划占位和并行工具调用进一步减少 LLM 调用。
图解
图 1：ReAct vs P&E
💡 简要回答
Plan-and-Execute：先制定完整的执行计划，再按计划逐步执行，减少重复推理开销。
vs ReAct：
| 特性 | ReAct | Plan-and-Execute |
|---|---|---|
| 规划时机 | 边执行边规划 | 先完整规划再执行 |
| LLM 调用 | 每步都调用 | 规划一次，执行多步 |
| 灵活性 | 高（根据反馈调整） | 低（计划固定） |
| 适用场景 | 需要适应性的任务 | 明确步骤的任务 |
| 效率 | 较低 | 较高（减少 LLM 调用） |
典型架构：
输入 → Planner（制定计划）→ Executor（执行各步骤）→ 整合结果 → 输出
↓ ↓
生成步骤列表 调用工具/LLM📝 详细解析
两种模式的对比
ReAct 的问题：
任务："查找 2024 年 AI 领域最重要的 3 篇论文，总结它们的核心贡献"
ReAct 流程：
Thought 1: 需要搜索 2024 年 AI 论文
Action 1: 搜索
Observation 1: 得到论文列表
Thought 2: 需要筛选重要的 3 篇
Action 2: 筛选
Observation 2: 确定 3 篇
Thought 3: 需要读第一篇
Action 3: 获取论文 1 详情
Observation 3: 论文 1 内容
Thought 4: 需要总结第一篇
Action 4: 总结
...
问题：
- 每步都需要 LLM 生成 Thought
- 多次 LLM 调用，成本高
- 多次工具调用，延迟大
- 但对于这类任务，步骤是确定的Plan-and-Execute 的优势：
相同任务：
Plan 阶段（1 次 LLM 调用）：
制定计划：
1. 搜索 "2024 年 AI 重要论文"
2. 从结果中筛选排名最高的 3 篇
3. 获取这 3 篇的详细信息
4. 分别总结每篇的核心贡献
5. 整合输出最终答案
Execute 阶段（按序执行，无 LLM 介入决策）：
Step 1: 调用搜索工具
Step 2: 筛选逻辑（代码或规则）
Step 3: 批量获取论文详情
Step 4: 调用总结工具（或 LLM 批量总结）
Step 5: 整合输出
优势：
- 规划只需 1 次 LLM 调用
- 执行阶段可以批量优化
- 总体效率更高Plan-and-Execute 的详细流程
完整流程：
1. 计划制定（Planning）
Input: 用户任务
↓
Planner LLM 生成结构化的计划
↓
Plan: [
{"step": 1, "action": "search", "input": "..."},
{"step": 2, "action": "filter", "criteria": "..."},
{"step": 3, "action": "summarize", "target": "..."}
]
2. 计划执行（Execution）
For each step in plan:
- 执行 action
- 获取结果
- 如果失败，进入重规划
3. 结果整合（Integration）
- 汇总各步骤结果
- 生成最终答案
4. 错误处理（可选 Re-planning）
- 如果某步失败
- 分析原因
- 重新制定剩余计划ReWOO（Reasoning WithOut Observation）
核心思想：进一步减少 LLM 调用，将计划和执行完全分离。
标准 Plan-and-Execute：
Plan → Execute → 如果失败 → Re-plan（需要 LLM）
ReWOO：
Plan（LLM 一次生成完整计划，包含占位符）
↓
执行所有工具调用（并行）
↓
LLM 最终整合（填充占位符）
示例：
Plan:
"根据搜索结果 {EVIDENCE_1}，
结合数据 {EVIDENCE_2}，
得出结论..."
执行：
- 同时发起所有搜索
- 填充 EVIDENCE_1, EVIDENCE_2
最终：
- 1 次 LLM 调用整合所有证据
优势：
- LLM 调用从 N 次减少到 2 次（Plan + Integrate）
- 工具调用可以并行
- 效率最大化计划失败的处理
失败类型：
1. 工具调用失败：
- API 错误、超时
- 返回结果不符合预期
2. 计划本身错误：
- 步骤逻辑有误
- 依赖关系错误
- 遗漏关键步骤
3. 执行结果不理想：
- 中间结果质量差
- 需要调整策略处理策略：
策略 1：重规划（Re-planning）
- 分析失败原因
- 基于当前状态重新制定计划
- 继续执行新计划
策略 2：回退（Rollback）
- 回退到之前的状态
- 修改计划后重试
- 需要维护状态历史
策略 3：降级（Degradation）
- 如果完整计划失败
- 切换到简单方案
- 或转人工处理
策略 4：混合模式：
- 粗粒度 Plan-and-Execute
- 细粒度 ReAct
- 高层用计划，具体步骤用 ReAct 灵活处理选择建议
用 Plan-and-Execute 如果：
- 任务步骤明确可预测
- 需要优化成本和延迟
- 批量执行任务
用 ReAct 如果：
- 任务需要大量适应性
- 环境反馈影响下一步
- 探索性任务
混合使用：
上层：Plan-and-Execute
- 制定粗粒度计划
下层：ReAct
- 具体步骤执行时灵活调整
示例：
Plan:
1. 调研市场 → 用 ReAct 执行（搜索多个来源）
2. 分析竞品 → 用 ReAct 执行（分析多个维度）
3. 生成报告 → 整合输出常见踩坑与反例
- 踩坑 1：只说“效率更高” · 错误说法：Plan-and-Execute 一定优于 ReAct。· 正确做法：说明它省调用但灵活性弱，适合步骤明确、反馈不频繁的任务。
- 踩坑 2：忽略失败处理 · 错误说法：计划定好后按步骤执行就行。· 正确做法：要有重规划、回退、降级或局部切换 ReAct 的机制。
- 踩坑 3：不知道 ReWOO · 错误说法：减少调用只能靠减少步骤。· 正确做法：提到 ReWOO 先生成带占位符计划，工具并行执行，最后一次整合。
- 踩坑 4：计划粒度过细 · 错误说法：把每个小动作都交给 Planner。· 正确做法：Planner 负责粗粒度步骤，Executor 或工具链处理可批量化细节。
面试官可能继续追问
- 追问 1：什么时候选 Plan-and-Execute？ 答题要点：任务步骤可预测、可批量执行、需要控制成本和延迟时优先选。
- 追问 2：什么时候选 ReAct？ 答题要点：任务依赖实时反馈、探索性强、下一步取决于观察结果时更适合 ReAct。
- 追问 3：计划失败怎么办？ 答题要点：识别失败类型，基于当前状态重规划；必要时回滚状态、降级策略或转人工。
- 追问 4：ReWOO 为什么能减少调用？ 答题要点：Planner 一次生成完整计划和证据占位，工具调用可并行，最后再由 LLM 汇总证据。
🎯 面试总结
这道题容易踩的雷：
只说效率高：不知道适用场景和灵活性 trade-off。
不知道 ReWOO：不知道可以进一步减少 LLM 调用。
不了解失败处理：不知道重规划和回退机制。
答题要点：
- 对比 ReAct 和 Plan-and-Execute 的核心区别
- 说明 Plan-and-Execute 的效率优势
- 提适用场景（明确步骤的任务）
- 解释 ReWOO 的思想
- 提一句失败处理策略
来源参考：Plan-and-Solve Prompting: Improving Zero-Shot Chain-of-Thought Reasoning by Large Language Models, ReWOO: Decoupling Reasoning from Observations