你有没有发现就算 Agent 记得住、也能调工具面对一个稍微复杂的任务它还是经常跑偏。比如你让 Agent帮我调研三个竞品分析它们的功能差异和定价策略然后写一份对比报告。一个没有规划能力的 Agent 会怎么做大概率是直接开始搜索搜到什么算什么信息东拼西凑最后给你一堆不成体系的文字和你预期的对比报告差十万八千里。问题出在哪不是工具不够多不是记忆不够好而是Agent 不会规划不会拆解任务也不会在做完后回头检查。这篇文章我们就把任务拆解、规划和反思这三件事拆开讲一次。一、Agent 不只是对话工具——它还需要会规划前面几篇文章我们讲了 Prompt、工具调用和记忆。这三个能力加在一起Agent 可以听懂你说什么Prompt动手做事工具调用记住做过什么记忆但这还不够。你想想一个人如果只会听指令、干活、记事但不会制定计划、不会拆解复杂任务、不会在做完后反思——他能完成一个复杂项目吗大概率不行。Agent 也是一样。面对简单任务查天气、翻译句子直接做就行。但面对复杂任务竞品调研、项目规划、代码重构它需要三个额外能力任务拆解把大目标分解成可执行的小步骤规划给这些步骤排出合理的执行顺序反思执行后回头检查发现偏差及时调整这三者组合在一起构成了 Agent 的 **“自主决策闭环”**。二、任务拆解——把大象装进冰箱我们小时候都听过一个笑话怎么把大象装进冰箱答案是三步打开冰箱门、把大象放进去、关上冰箱门。虽然是笑话但它说明了一个道理再复杂的任务拆开了就是一组可执行的步骤。什么是任务拆解任务拆解就是把一个复杂目标分解为多个更小、更具体、可独立执行的子任务。比如写一份竞品调研报告可以拆成1. 确定调研目标和范围 1.1 列出要调研的竞品 1.2 确定对比维度 2. 收集竞品信息 2.1 搜索竞品官网 2.2 收集功能和定价 2.3 收集用户评价 3. 分析对比 3.1 按维度逐项对比 3.2 总结优劣势 4. 撰写报告 4.1 组织报告结构 4.2 填充数据和结论 4.3 润色和校对拆完之后每一步都是 Agent 能直接执行的——搜索、读取、对比、写作。Agent 怎么做任务拆解Agent 做任务拆解主要靠模型的推理能力。你可以通过 Prompt 引导模型做拆解你收到了一个复杂任务。在执行之前请先将任务分解为具体的执行步骤。 每个步骤应该是可以直接执行的不能太粗做调研也不能太细打开浏览器。 请列出步骤列表每步说明要做什么、用什么工具、预期产出。模型会根据任务目标和已有工具输出一个步骤列表。拆解的粒度拆解有个关键问题粒度。太粗步骤不可执行。比如做竞品分析——这不是一步这是一个项目。太细效率低下。比如打开浏览器→输入网址→点击搜索——这些应该合并成搜索竞品信息。合适的粒度是每一步都能对应到一次工具调用或一次模型推理。三、规划——排好顺序再动手拆解完成后下一步是规划决定这些步骤的执行顺序和策略。两种主流规划策略策略一预设规划Plan-then-Execute先做完整规划再逐步执行。1. 模型接收任务 2. 一次性输出完整的执行计划所有步骤 3. 按计划逐步执行 4. 全部执行完后输出结果优点结构清晰执行高效缺点计划定了就不好改遇到意外情况灵活性差适合步骤明确、流程稳定的任务策略二交替规划Interleaved Planning边执行边规划每一步的结果影响下一步的计划。1. 模型接收任务 2. 规划第一步 → 执行 → 观察结果 3. 根据结果规划第二步 → 执行 → 观察结果 4. 重复直到任务完成优点灵活能根据中间结果调整缺点效率较低每一步都要重新规划适合不确定性高、需要探索的任务ReAct 模式说到 Agent 规划不得不提ReActReasoning Acting。这是目前最主流的 Agent 推理模式之一。它的核心思想是模型在每一步都先想Reasoning再做Acting然后看Observing。Thought: 用户需要竞品调研报告我应该先确定调研范围 Action: 向用户确认竞品列表 Observation: 用户给了三个竞品名称 Thought: 现在我可以开始搜索第一个竞品的信息 Action: search_web(竞品A 功能 定价) Observation: 搜索返回了竞品A的功能和定价信息 ...ReAct 本质上就是交替规划的一种实现。每一步 Thought 就是在规划Action 就是在执行。选择哪种策略场景推荐策略步骤明确的流程化任务预设规划不确定性高的探索型任务交替规划 / ReAct需要中间确认的协作任务交替规划追求执行效率的批处理任务预设规划实际工程中很多 Agent 系统会混合使用先做粗粒度的预设规划每一步内部再用交替规划做细粒度调整。两种策略的详细对比维度预设规划交替规划 / ReAct规划时机执行前一次性每步动态规划灵活性低高效率高规划只做一次低每步都要推理可预测性高计划明确低路径不确定适合任务流程化、步骤固定探索性、不确定性高Token 消耗低高每轮都要推理调试难度低路径固定高路径不确定实际选择建议if 任务步骤完全已知 and 不依赖中间结果: 用预设规划 elif 任务涉及搜索/调研/需要根据结果调整: 用交替规划ReAct else: 混合方案粗粒度预设 细粒度交替四、反思——做完了回头看一眼规划和执行解决了怎么做的问题但还有一个问题没解决做得对不对这就是反思要解决的。什么是反思反思是 Agent 在执行完一步或一组步骤后回头评估执行结果是否达标、是否偏离目标然后决定是继续还是调整。反思的三种形式形式 1自我评估让模型评估自己的输出质量。请评估你刚才的执行结果是否完成了预期目标输出质量如何有没有遗漏需要补充或修正什么形式 2结果对比把执行结果和预期目标对比。预期目标输出一份包含功能、定价、用户评价三个维度的竞品对比表 实际输出只有功能和定价缺少用户评价 结论需要补充用户评价数据形式 3错误分析专门分析失败的步骤找到根因。步骤3执行失败搜索竞品C用户评价返回结果为空 根因分析可能是竞品名称不对或者需要换个搜索关键词 调整方案用竞品C的全称重新搜索或者搜索 review 站点反思触发时机不是每一步都需要反思太频繁会影响效率推荐的反思时机一个阶段完成后比如信息收集完了开始分析前工具调用失败后中间结果和预期明显不符时整个任务完成后做最终检查五、完整场景规划-执行-反思循环我们用帮我调研三个竞品并写一份报告这个任务完整跑一遍。第 1 步任务拆解Agent 收到任务后先做拆解计划确认调研的三个竞品和对比维度逐个搜索竞品信息功能、定价、评价整理数据按维度做对比撰写调研报告第 2 步执行反思循环执行步骤 1向用户确认竞品列表 → 用户说A、B、C 三个产品反思✅ 目标明确继续执行步骤 2.1搜索竞品 A 信息反思✅ 拿到功能和定价但缺少用户评价 → 补搜用户评价执行步骤 2.2搜索竞品 B 信息反思✅ 信息完整执行步骤 2.3搜索竞品 C 信息反思❌ 搜索结果为空 → 分析原因 → 竞品名称可能不对 → 换关键词重试 → 拿到结果执行步骤 3整理对比表反思✅ 三个维度数据齐全执行步骤 4撰写报告反思检查报告是否涵盖所有维度、数据是否准确、结论是否有依据 → ✅ 达标第 3 步输出最终结果Agent 输出完整的竞品调研报告。你可以看这个完整流程图六、最小可用的规划-反思循环这是一个最简单但完整的实现框架。我们把它拆成四个类来实现任务拆解器class TaskDecomposer:definit(self, llm):self.llm llmdef decompose(self, task): 把复杂任务拆解为可执行步骤 prompt f请将以下任务分解为具体执行步骤任务{task}要求每步必须是可以直接执行的对应一次工具调用或一次推理每步说明要做什么、用什么工具如果需要、预期产出步骤数量控制在 3-7 步按执行顺序排列输出格式步骤1: [描述] | 工具: [工具名/无] | 产出: [预期结果]步骤2: …“”raw_plan self.llm.generate(prompt)return self.parse_steps(raw_plan)def parse_steps(self, raw_plan): 解析模型输出的步骤列表 steps [] for line in raw_plan.strip().split(\n): if line.startswith(步骤): parts line.split(|) steps.append({ description: parts[0].strip(), tool: parts[1].strip() if len(parts) 1 else None, expected_output: parts[2].strip() if len(parts) 2 else None }) return steps反思器class Reflector:definit(self, llm):self.llm llmdef reflect(self, step, result, original_task, completed_steps): 反思执行结果判断是否需要调整 prompt f请评估这一步的执行结果原始任务{original_task}当前步骤{step[‘description’]}执行结果{result}已完成步骤数{len(completed_steps)}请回答这一步的结果是否达标是/否结果和原始任务的目标一致吗是/否有没有信息缺失需要补充有/无后续步骤是否需要调整是/否如果需要调整具体建议是什么“”raw self.llm.generate(prompt) return { on_track: 否 not in raw.split(\n)[0], needs_adjustment: 是 in raw.split(\n)[3] if len(raw.split(\n)) 3 else False, feedback: raw }主循环class PlanActReflectAgent:definit(self, llm, tools):self.llm llmself.tools toolsself.decomposer TaskDecomposer(llm)self.reflector Reflector(llm)def run(self, task, max_replans3): # 第 1 步任务拆解和规划 plan self.decomposer.decompose(task) results [] replan_count 0 for i, step in enumerate(plan): # 第 2 步执行 result self.execute(step) results.append({step: step, result: result}) # 第 3 步反思 reflection self.reflector.reflect( step, result, task, results ) if reflection[needs_adjustment] and replan_count max_replans: # 调整计划 plan self.replan(task, results, reflection) replan_count 1 # 第 4 步整合输出 return self.synthesize(task, results) def execute(self, step): 执行单个步骤 tool_name step.get(tool) if tool_name and tool_name in self.tools: return self.tools[tool_name].execute(step[description]) else: return self.llm.generate(step[description]) def replan(self, task, results_so_far, reflection): 根据反思结果调整计划 prompt f任务执行过程中发现需要调整原始任务{task}已完成的步骤和结果{results_so_far}反思结论{reflection[‘feedback’]}请输出调整后的后续步骤只需要后续的已完成的不用重复。“”raw self.llm.generate(prompt)return self.decomposer.parse_steps(raw)def synthesize(self, task, results): 整合所有步骤的结果 prompt f请将以下执行结果整合为最终输出原始任务{task}各步骤结果{results}要求输出完整、结构清晰、符合任务要求。“”return self.llm.generate(prompt)规划策略选择的实用建议默认用交替规划大多数 Agent 任务都有一定的不确定性交替规划ReAct更安全。只有这类任务用预设规划步骤完全确定比如填表→提交→等审批不需要根据中间结果调整。混合使用先用预设规划确定大的阶段“搜索→分析→写作”每个阶段内部用交替规划做细节调整。控制反思频率不要每步都反思。推荐在以下时机反思一个阶段结束后搜索完了、分析完了工具调用失败后中间结果和预期明显不符时设置最大重规划次数防止 Agent 陷入不断调整计划但不执行的死循环。上面代码中的max_replans3就是这个作用。七、常见误区误区 1过度规划Agent 花了大量时间做规划计划写了几百字但迟迟不开始执行。正确做法规划够用就行不需要事无巨细。先做粗粒度规划执行中再细化。误区 2完全不规划直接开始执行走一步看一步。遇到复杂任务就变成随机乱撞。正确做法至少做一次基本的任务拆解哪怕只是列个三步大纲。误区 3反思太频繁每一步都做重度反思效率极低。正确做法在关键节点反思——阶段完成、工具失败、结果明显偏离时。误区 4反思了但不调整反思发现了问题但继续按原计划执行。反思等于白做。正确做法反思的输出必须影响后续行为——调整计划、重试步骤或修正方向。误区 5拆解粒度不对太粗“做分析”或太细“打开浏览器”都会导致执行效率低。正确做法每一步对应一次工具调用或一次有意义的推理。误区后果正确做法过度规划迟迟不执行粗粒度规划执行中细化完全不规划随机乱撞至少做基本拆解反思太频繁效率极低关键节点反思反思不调整白反思反思输出必须影响行为粒度不对执行低效每步一次工具调用或推理普通人如何抓住AI大模型的风口领取方式在文末为什么要学习大模型目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 大模型作为其中的重要组成部分 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 为各行各业带来了革命性的改变和机遇 。目前开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景其中应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过30%。随着AI大模型技术的迅速发展相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业人工智能大潮已来不加入就可能被淘汰。如果你是技术人尤其是互联网从业者现在就开始学习AI大模型技术真的是给你的人生一个重要建议最后只要你真心想学习AI大模型技术这份精心整理的学习资料我愿意无偿分享给你但是想学技术去乱搞的人别来找我在当前这个人工智能高速发展的时代AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料能够帮助更多有志于AI领域的朋友入门并深入学习。真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】大模型全套学习资料展示自我们与MoPaaS魔泊云合作以来我们不断打磨课程体系与技术内容在细节上精益求精同时在技术层面也新增了许多前沿且实用的内容力求为大家带来更系统、更实战、更落地的大模型学习体验。希望这份系统、实用的大模型学习路径能够帮助你从零入门进阶到实战真正掌握AI时代的核心技能01教学内容从零到精通完整闭环【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块内容比传统教材更贴近企业实战大量真实项目案例带你亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事‌02适学人群应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。vx扫描下方二维码即可【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】本教程比较珍贵仅限大家自行学习不要传播更严禁商用03入门到进阶学习路线图大模型学习路线图整体分为5个大的阶段04视频和书籍PDF合集从0到掌握主流大模型技术视频教程涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向新手必备的大模型学习PDF书单来了全是硬核知识帮你少走弯路不吹牛真有用05行业报告白皮书合集收集70报告与白皮书了解行业最新动态0690份面试题/经验AI大模型岗位面试经验总结谁学技术不是为了赚$呢找个好的岗位很重要07 deepseek部署包技巧大全由于篇幅有限只展示部分资料并且还在持续更新中…真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】