Agent 规划算法（深挖）

ReAct 循环（深挖） 里 Agent 是”走一步看一步”——每步根据当前观察决定下一步。这叫反应式规划。但有些任务需要在动手之前先想好整个路线图。这叫前瞻式规划。这篇对比两种思路，以及它们怎么混合使用。

反应式规划：ReAct 模式

思路：不想太远，只看下一步。

优点：灵活。上一步的结果不如预期，下一步马上调整。不会被一个错误的初始计划带偏。

缺点：短视。可能陷入局部最优——搜了三轮发现方向就错了，但已经浪费了时间和钱。

适合：信息不确定的任务。你不知道搜出来是什么，只能查一步看一步。

前瞻式规划：Plan-and-Execute

思路：先列好完整计划，再一步步执行。

例子：用户说”帮我写一份关于 2024 年 AI 行业融资的报告”

Plan:
Step 1: 搜索"2024年AI行业融资总额"
Step 2: 搜索"2024年AI领域最大10笔融资"
Step 3: 搜索"2024年AI融资趋势分析"
Step 4: 整理数据，按金额排序
Step 5: 写报告大纲
Step 6: 按大纲逐段写

然后按计划执行。执行过程中如果发现计划有问题（比如 Step 2 搜出来的结果太少），可以修改计划 ¹。

优点：全局最优。动手前想清楚，不会走冤枉路。

缺点：僵硬。如果计划本身有错误（比如搜错了关键词），执行到一半才发现，前面几步就白费了。

适合：任务结构清晰、步骤可预知。比如写报告、做数据分析、代码重构。

混合规划：Plan + ReAct

最佳实践是两者结合——先规划大方向，执行中灵活调整。

2026 年主流 Agent 框架（LangGraph、AutoGen）的做法：

1. 先规划：Agent 列出 3-5 个高层次步骤
2. 逐步执行：每一步用 ReAct 模式（Thought -> Action -> Observation）灵活处理
3. 定期检查：每完成 2-3 步，回到计划层面审视——后面的步骤还需要调整吗？
4. 动态修正：如果发现计划不对，不从头开始，只修改后续步骤

这就是”宏观规划，微观反应”。

树搜索规划：思考多条路

前面的方法只走一条路。但如果 Agent 不确定哪条路更好呢？

Tree-of-Thoughts（思维树） ²：同时探索多条路径，每走一步评估每条路径的质量，淘汰差的，保留好的。像下棋——你不会只看一步，你会想”如果我走 A，对手走 B，我再走 C…”

代价极高——每条路径都要实际执行，费用翻好几倍。只在”怎么做都不确定”的高价值场景使用。

应用场景对比

2026 年默认选择：Plan+ReAct。既有全局视图，又有局部灵活。

实现

Agent 规划算法可以用 LangGraph 等工具来实现。基本思路：先让 AI 规划大步骤，再逐步执行，每步用 ReAct 循环灵活处理。

（以下代码供有编程基础的读者参考。零基础读者可以跳过，不影响理解。）

相关笔记

• ReAct 循环（深挖） — 反应式规划的基础
• Agent 记忆系统（深挖） — 规划需要记忆来追踪进度
• 工作流模式（深挖） — Plan+ReAct 是固定流程和自主流程的组合

来源

• Wang et al., “Plan-and-Solve Prompting”, 2023, https://arxiv.org/abs/2305.04091
• Yao et al., “Tree of Thoughts”, 2023, https://arxiv.org/abs/2305.10601
• LangGraph Documentation