🤖 AI 应用工程ID:
plan-and-execute-patternPlan-and-Execute 任务规划解构
Plan-and-Execute Pattern
🎯核心定义
规划与执行模式 (Plan-and-Execute Pattern) 是一种将“全局宏观任务拆解 (Macro Planning)”与“微观原子工具执行 (Execution)”明确分离的两阶段 Agent 架构；在工作流中，规划器 (Planner) 首先对复杂目标进行分步解构，生成包含多个有序子任务的执行计划列表（DAG 拓扑计划）；执行器 (Executor / Worker) 依次调用工具完成具体子任务；在每步完成后，重规划器 (Replanner) 根据最新中间执行结果与环境变化，动态调整后续剩余计划（如增删步骤、修正参数或提前终止）。
💡使用场景
复杂长跨度工程任务（如全自动编写一份 20 页行业调研报告、自动化完成代码仓库重构、跨系统报表生成）。
⚡解决的核心痛点
ReAct 范式是单步贪心决策（走一步看一步），在面对需要 10 步以上的长周期任务时极易迷失长期目标、发生任务偏离 (Goal Drifting) 或过早陷入细枝末节；Plan-and-Execute 维持了全局宏观视野，确保长链条任务始终对齐最终目标。
🎯5 个高频面试考点 (Exam Points)
1
详细剖析 Planner（计划生成）、Executor（子任务执行）与 Replanner（动态重规划）三大组件的状态数据流？
2
如何使用拓扑排序 (Topological Sorting) 与 DAG (有向无环图) 表达子任务之间的输入输出依赖关系并实现无依赖任务并发执行？
3
当某个子任务执行结果彻底推翻原定后续方案时，Replanner 触发全局计划推倒重建 (Full Re-planning) 的阈值判定？
4
为什么在 Plan-and-Execute 架构中，Planner 可以使用更聪明的大模型（如 GPT-4o），而 Executor 可以降级使用小模型（如 GPT-4o-mini）以大幅降本？
5
对比 Plan-and-Execute 与 ReAct 在步骤规划延迟 (Planning overhead)、对意外错误的自适应鲁棒性与 Token 消耗上的差异？
📖 关联深度指南:📄 agent-design-patterns →
更新于 2026-08-14🎯
🚀 开始本考点专项刷题 ➔检验攻克程度：针对「Plan-and-Execute 任务规划解构」专属刷题排雷
做单选排雷题、推导选项机制，答错自动收录进专属错题本。