Appearance
64. 规划模式（Planning Pattern）
难度 P1 高频 · 岗位 应用 · 频率 ★★★★☆ · 预计阅读 8 min 公司 OpenAI · Anthropic 相关题 Q63 ReAct 模式 · Q95 Plan-and-Execute · Q56 Manus 实现
本题阅读地图
- 面试场景还原 — 1 min
- TL;DR 速记 — 30 sec
- 图解 — 30 sec
- 详细解析 — 5 min
- 4.1 为什么需要规划模式？ReAct 的局限性
- 4.2 规划模式的核心机制：先规划后执行
- 4.3 任务分解的策略与方法
- 4.4 规划与执行的协作模式
- 4.5 动态重规划（Replanning）机制
- 常见踩坑与反例 — 1 min
- 面试官可能继续追问 — 1 min
面试场景还原
�面试官：用户要求「帮我研究一下电动汽车行业的竞争格局，整理一份报告」，Agent 应该怎么处理？
🙋♂️我：用 ReAct 模式一步步搜索信息，然后整理成报告。
👔面试官：ReAct 是走一步看一步，对于这种需要多维度信息的复杂研究任务，一开始就搜索可能会遗漏重要维度。你能想到更好的策略吗？
🙋♂️我：呃……可以先列个提纲？
👔面试官：对，这叫 规划模式。先想清楚要研究哪些方面（市场规模、主要玩家、技术路线、政策环境），制定完整计划，再按计划执行。这样能确保信息收集全面，不会遗漏关键维度。
🙋♂️我：那如果执行中发现某个方向信息不够，怎么办？
👔面试官：好问题。这时候需要 动态重规划，根据执行情况调整原计划，而不是硬按原计划走。规划模式的核心就是「先规划 → 再执行 → 必要时重规划」。
TL;DR 速记
- 是什么：先制定全局行动计划，再按步骤执行的策略模式
- 解决痛点：ReAct 走一步看一步容易遗漏全局视角，长任务容易跑偏
- 核心机制：规划阶段（拆任务）+ 执行阶段（逐个击破）+ 重规划（动态调整）
- 任务分解策略：按维度分解、按流程分解、按模块分解
- 典型应用：Deep Research、Manus、复杂数据分析、多步骤业务流程
图解
图 1：规划模式的两阶段架构
图 2：规划模式 vs ReAct 模式
详细解析
为什么需要规划模式？ReAct 的局限性
ReAct 模式（思考-行动-观察循环）非常适合处理需要动态决策的复杂任务，但它也有明显的局限：
局限 1：缺乏全局视角 ReAct 是「走一步看一步」，模型在每一步只能基于当前信息决策，容易陷入局部最优而忽略全局。比如做行业研究，可能一直在深挖某个细分领域，却忘了还要分析竞争对手。
局限 2：长任务容易跑偏 当任务步骤很多（10 步以上）时，ReAct 容易「忘记」最初的目标，被中间结果带偏方向。
局限 3：无法并行优化 ReAct 是串行的，一步做完才能做下一步。但有些子任务是独立的，完全可以并行执行来提高效率。
局限 4：难以保证覆盖全面 没有预先规划，很容易遗漏某些应该调查的维度或步骤。
规划模式就是来解决这些问题的：先站在全局视角制定完整计划，再按步骤执行，既保证了全面性，又能灵活调整。
规划模式的核心机制：先规划后执行
规划模式将任务处理分为两个明确的阶段：
第一阶段：规划（Planning） Agent 接收任务后，不急于执行，而是先进行全局分析：
- 理解任务目标和约束条件
- 分析需要哪些信息、执行哪些步骤
- 将任务分解为可执行的子任务列表
- 确定子任务的执行顺序和依赖关系
规划阶段的输出通常是一个结构化的计划：
json
{
"task": "研究电动汽车行业竞争格局",
"plan": [
{"step": 1, "action": "搜索全球电动汽车市场规模和增长趋势", "depends_on": []},
{"step": 2, "action": "整理主要厂商市场份额（特斯拉、比亚迪、蔚来等）", "depends_on": []},
{"step": 3, "action": "分析各厂商技术路线对比", "depends_on": [2]},
{"step": 4, "action": "搜索各国政策对行业的影响", "depends_on": []},
{"step": 5, "action": "综合以上信息生成报告", "depends_on": [1, 2, 3, 4]}
]
}第二阶段：执行（Execution） 按照规划阶段制定的计划，逐个执行子任务：
- 每个子任务可以用 ReAct 模式执行
- 独立子任务可以并行执行
- 有依赖的子任务按顺序执行
- 收集各子任务结果
第三阶段：整合（Synthesis） 将所有子任务的结果整合为最终输出：
- 汇总各子任务输出
- 检查是否满足原始任务要求
- 生成最终报告或答案
任务分解的策略与方法
任务分解是规划模式的核心能力，常见的分解策略有：
策略 1：按维度分解 适用于需要从多个角度分析的问题。
示例：「研究电动汽车行业」
- 市场规模维度
- 竞争格局维度
- 技术路线维度
- 政策环境维度
策略 2：按流程分解 适用于有明确先后顺序的任务。
示例：「帮我订一张去上海的机票」
- 查询航班信息
- 选择合适航班
- 填写乘客信息
- 支付订单
- 确认出票
策略 3：按模块分解 适用于可以拆分成独立模块的复杂任务。
示例：「分析这份财报」
- 分析资产负债表
- 分析利润表
- 分析现金流量表
- 综合分析
策略 4：按粒度分层 先粗粒度分解，再对关键子任务细粒度分解。
示例：
- L1：调研 → 分析 → 报告
- L2：调研（市场 + 竞品 + 用户）
- L3：市场（规模 + 趋势 + 区域）
分解质量的判断标准：
- MECE 原则：子任务之间互斥且完全穷尽（Mutually Exclusive, Collectively Exhaustive）
- 独立性：尽量让子任务之间相互独立，便于并行
- 可执行性：每个子任务都能明确判断是否完成
- 粒度适中：子任务不要太大（难以执行）也不要太小（管理成本高）
规划与执行的协作模式
规划模式和 ReAct 不是互斥的，而是分层协作：
规划层：制定整体策略（做什么）
↓
执行层：用 ReAct 执行每个子任务（怎么做）
↓
整合层：汇总结果生成最终输出具体协作方式：
规划阶段：用 LLM 生成结构化计划
请为以下任务制定执行计划：... 要求： - 列出所有需要执行的步骤 - 标注步骤之间的依赖关系 - 每个步骤要有明确的完成标准执行阶段：对每个子任务用 ReAct
子任务：搜索电动汽车市场规模 用 ReAct 循环： - 思考：需要哪些关键词？ - 行动：调用搜索工具 - 观察：获取结果 - 思考：信息是否足够？整合阶段：用 LLM 汇总各子任务结果
基于以下子任务结果，生成完整报告： - 子任务1结果：... - 子任务2结果：...
动态重规划（Replanning）机制
实际执行中经常会发现原计划有问题，需要支持动态调整：
需要重规划的场景：
- 信息不足：某个子任务发现需要额外的信息才能完成
- 计划遗漏：执行中发现有维度没考虑到
- 意外情况：某个步骤失败了，需要替代方案
- 用户变更：用户中途改变了需求
重规划的触发条件：
- 子任务执行失败
- 子任务输出不符合预期
- 模型判断原计划不再适用
重规划的实现方式：
python
# 伪代码示例
plan = generate_plan(task)
results = {}
for step in plan.steps:
result = execute_with_react(step)
if result.status == "failed" or needs_replanning(result):
# 触发重规划
new_plan = replan(task, plan, results, result.error)
plan = new_plan # 更新计划
continue # 用新计划继续
results[step.id] = result
final_output = synthesize(results)重规划的成本控制：
- 不要频繁重规划（每次重规划都要重新生成计划，成本高）
- 设置重规划次数上限
- 区分「完全重规划」和「局部调整」
常见踩坑与反例
踩坑 1：规划过于详细导致僵化
错误做法： 把每个细枝末节都写进计划，执行中发现一个小变化就要重规划。
问题： 计划过于僵化，失去了灵活性。
正确做法： 规划阶段只定大方向和关键节点，细节在执行阶段用 ReAct 动态处理。
踩坑 2：不做规划直接执行
错误做法： 所有任务都用 ReAct 走一步看一步，没有全局规划。
问题： 复杂任务容易遗漏关键步骤，或执行到一半发现方向错了。
正确做法： 复杂任务（5 步以上或多维度）先用规划模式定框架，再用 ReAct 执行细节。
踩坑 3：规划后不执行或执行不完整
错误做法： 只做了规划，但没有真正执行每个子任务，或执行到一半就停了。
正确做法： 规划是为了执行，要有明确的执行跟踪机制，确保每个子任务都完成。
踩坑 4：子任务之间耦合度过高
错误做法： 子任务之间高度依赖，一步卡住了整个任务都卡住。
正确做法： 尽量让子任务独立，关键路径上的依赖要明确标注，非关键路径的任务可以跳过或延后。
踩坑 5：缺少整合步骤
错误做法： 各子任务执行完了，直接把结果拼接输出，没有综合分析和润色。
正确做法： 必须有明确的整合阶段，用 LLM 对多个子任务结果进行综合分析，生成连贯的最终输出。
面试官可能继续追问
追问 1：规划模式和 ReAct 模式怎么选？ 答题要点：简单任务（1-3 步）用 ReAct；复杂任务（多维度、多步骤）用规划模式。规划模式是 ReAct 的上层封装，执行层可以用 ReAct。
追问 2：任务分解的原则是什么？ 答题要点：MECE 原则（互斥且穷尽）、独立性（便于并行）、可执行性（有明确的完成标准）、粒度适中（不要太粗也不要太细）。
追问 3：规划模式在工程实现中的挑战是什么？ 答题要点：1）计划生成质量不稳定；2）重规划的成本控制；3）长任务的上下文管理；4）并行执行的任务调度。
追问 4：规划模式适合多智能体系统吗？ 答题要点：非常适合。Planner Agent 负责制定计划，多个 Worker Agent 分别执行不同子任务，最后整合结果。这是多智能体系统的典型架构。
面试总结
规划模式是处理复杂长任务的核心设计模式。面试时强调三点：
- 核心机制：先规划（制定全局计划）→ 再执行（逐个击破子任务）→ 必要时重规划
- 与 ReAct 的关系：规划模式是宏观策略，ReAct 是微观执行，两者分层协作
- 应用场景：多维度分析、长周期任务、需要保证全面性的复杂任务
记住：规划不是束缚，而是为了更好地执行。好的规划要有灵活性，能根据执行情况动态调整。Deep Research、Manus 等产品的核心能力就是规划模式的应用。