Agents & Tool Use: 解释 Agent 的规划（planning）与任务分解。

Core Concept: 先把目标分解为子任务（显式计划），再逐步执行；比'边想边做'更能处理长任务与依赖关系。

数学机理：<strong>规划的必要性</strong>——纯 ReAct 是'贪心的'（每步只看眼前），在长任务中容易 (a) <strong>迷路</strong>（偏离目标）；(b) <strong>重复</strong>（忘记做过什么）；(c) <strong>无法处理依赖</strong>（子任务有先后顺序）。<strong>规划（planning）</strong> 的做法：先让 LLM 把目标 g <strong>分解为子任务</strong> {s_1, …, s_k}（显式的计划），再逐步执行；执行中可<strong>重规划（replan）</strong>。<strong>分解的粒度</strong>——(a) <strong>太粗</strong>（如'完成任务'）——无指导作用；(b) <strong>太细</strong>（如'按第一个键'）——过于机械、无法适应意外；<strong>合适的粒度</strong>是'有意义的、可独立验证的步骤'（如'搜索 X 的定义'、'比较 A 与 B'）。<strong>依赖关系</strong>——子任务之间可能有<strong>顺序依赖</strong>（必须先 A 后 B）或<strong>可并行</strong>；显式记录依赖可 (a) 并行化可并行的部分、(b) 避免顺序错误。<strong>架构模式</strong>：(1) <strong>Plan-and-Execute</strong>——先生成完整计划，再逐步执行（执行器可以是简单 Agent）；优点：全局视野、成本可控（计划一次）；缺点：计划可能不适用（环境变化时需重规划）。(2) <strong>ReAct（无显式计划）</strong>——边想边做；优点：灵活适应；缺点：长任务易迷路。(3) <strong>混合</strong>——先粗粒度计划，执行时用 ReAct 处理每个子任务（'计划 + 反应'）；这是当前的推荐做法。(4) <strong>层级规划</strong>——递归分解（大计划 → 子计划 → 原子步骤）。(5) <strong>搜索式规划</strong>——在动作空间搜索（如 LATS 的 MCTS）；更强但更贵。<strong>重规划（replan）</strong>——执行中若发现 (a) 子任务失败、(b) 环境变化、(c) 新信息与假设不符，则<strong>重新生成计划</strong>（可保留已完成的步骤）。<strong>与'工作记忆'的关系</strong>——计划本身就是工作记忆的核心内容（显式记录'要做什么、做到哪了'）。<strong>评估</strong>——(a) <strong>计划的可行性</strong>（子任务是否可执行）；(b) <strong>计划的完整性</strong>（是否覆盖所有必要步骤）；(c) <strong>执行成功率</strong>。

深度剖析与工程权衡：① <strong>'显式计划'解决长任务的'迷路'问题</strong>——它是 Agent 从'玩具'到'可用'的关键；面试中能对比'Plan-and-Execute vs ReAct'的适用场景是加分。② <strong>'计划太细'是常见错误</strong>——过度细化的计划无法适应执行中的意外（因为每步都被固定）；故计划应留出'执行时的灵活空间'（粗粒度计划 + 细粒度执行）。③ <strong>'重规划'是必需能力</strong>——现实任务中计划必然需要调整（工具失败、信息不符）；故架构需支持'边执行边修正计划'。④ <strong>'成本结构'的差异</strong>——Plan-and-Execute 的计划只需一次 LLM 调用（便宜），执行阶段可用简单模型；ReAct 每步都需推理（更贵）。故对'结构化的长任务'，Plan-and-Execute 更经济。⑤ <strong>与'多智能体'的关系</strong>——'规划者 + 执行者'的多 Agent 架构是规划思想的一种实现；但也可在单 Agent 内完成（先生成计划再执行），无需真正的多 Agent（避免通信开销）。⑥ <strong>面试要点</strong>——被问'Agent 如何规划'，应给出'<strong>显式分解（粒度适中）+ 依赖关系 + 重规划 + Plan-and-Execute 与 ReAct 的对比与混合</strong>'，并强调'<strong>计划太细反而有害</strong>'与'<strong>长任务需要显式计划防迷路</strong>'；这是 Agent 架构类问题的深度回答。