1. Plan-and-Execute 架构的核心思路

Plan-and-Execute 的核心理念是“谋定而后动”。其工作流程分为两个阶段：首先由 Planner（规划者）LLM 将用户的复杂任务拆解为有序的步骤列表；随后由 Executor（执行者）严格按照该列表逐一执行。

与 ReAct 架构“走一步看一步”的动态决策不同，Plan-and-Execute 在执行前已具备全局视野。这种“先规划、后执行”的模式特别适合步骤繁多、逻辑严密且需要全局把控的复杂任务，能有效避免 Agent 在长链路任务中迷失方向。

2. Plan-and-Execute 与 ReAct 的本质差异及 LangGraph 实现

设计哲学差异

• ReAct（在线规划）：采用“思考-行动-观察”循环，每步动态决定下一步。优势是灵活性强，能即时响应环境反馈；劣势是在复杂长任务中容易偏离目标或陷入死循环。
• Plan-and-Execute（离线规划 + 在线执行）：先生成完整计划，再逐步落地。优势是全局一致性好，路径清晰；劣势是对突发变化的适应性较弱，计划变更成本较高。

场景选型建议

• 适合 React 的场景：短平快任务、需快速迭代、工具反馈对后续决策影响极大的场景（如实时查询汇率、天气、简单问答）。
• 适合 Plan-and-Execute 的场景：长链路、多步骤、强逻辑依赖的任务（如复杂数据分析、长篇报告撰写、代码工程生成）。这类任务需要先理解整体需求，拆解子任务，分别执行后再汇总。

LangGraph 实现思路

在 LangGraph 中，通常通过以下三个核心节点构建该架构：

1. Planner 节点：调用 LLM 将用户任务分解为有序步骤列表，存入 State 的 plan 字段。
2. Executor 节点：从 plan 中读取当前步骤，调用对应工具执行，并将结果记录在 past_steps 中。
3. Replanner 节点（可选但推荐）：当某步骤执行失败或结果偏离预期时触发。它接收当前 State（含原始计划、已完成步骤、错误信息），生成修订后的计划。

这种模块化设计使得每个节点职责单一，借助 LangSmith 可清晰追踪 Planner 的生成了什么计划、每个 Executor 步骤的输入输出，极大提升了调试效率。

3. 如何控制 Agent 的任务分解粒度？

任务分解粒度是平衡可执行性、成本与可观测性的关键。

粒度失衡的后果

• 粒度过粗：
  • 示例：“分析竞品并生成报告”。
  • 问题：单个 LLM 上下文窗口难以承载，需多次隐式搜索与分析，中间状态黑盒化，出错难定位，Token 消耗不可控。
• 粒度过细：
  • 示例：将“搜索竞品”拆分为“搜索关键词A”、“搜索关键词B”等几十个微任务。
  • 问题：规划本身消耗大量 Token，子任务间上下文传递开销大，调度复杂度呈 O(n²) 增长，导致高延迟和高成本。

合适粒度的判断标准

1. 原子性：单次 LLM 调用或少量工具调用即可独立完成。
2. 明确性：有清晰的输入定义和输出标准。
3. 可验证性：结果可独立验收（Pass/Fail）。
4. 经济性：预估 Token 消耗在合理范围（如 < 2000 tokens）。

动态调整策略