M5-091M5: NLP 与大语言模型Agent 与工具调用Medium
⚡闪卡盲测➔掌握度:
解释 Agent 的规划(planning)与任务分解。
🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
📐 核心数学机理公式
⚡ 一句话直击要害答案
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。
📌 核心要点提炼
- •显式计划:先分解为子任务(含依赖关系)
- •对比 ReAct 的'边想边做':计划更全局、少迷路
- •需支持重规划(执行中发现问题则调整计划)
📐 数学机理与严密推导
数学机理:规划的必要性——纯 ReAct 是'贪心的'(每步只看眼前),在长任务中容易 (a) 迷路(偏离目标);(b) 重复(忘记做过什么);(c) 无法处理依赖(子任务有先后顺序)。规划(planning) 的做法:先让 LLM 把目标 g 分解为子任务 {s_1, …, s_k}(显式的计划),再逐步执行;执行中可重规划(replan)。分解的粒度——(a) 太粗(如'完成任务')——无指导作用;(b) 太细(如'按第一个键')——过于机械、无法适应意外;合适的粒度是'有意义的、可独立验证的步骤'(如'搜索 X 的定义'、'比较 A 与 B')。依赖关系——子任务之间可能有顺序依赖(必须先 A 后 B)或可并行;显式记录依赖可 (a) 并行化可并行的部分、(b) 避免顺序错误。架构模式:(1) Plan-and-Execute——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) ReAct(无显式计划)——边想边做;优点:灵活适应;缺点:长任务易迷路。(3) 混合——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) 层级规划——递归分解(大计划 → 子计划 → 原子步骤)。(5) 搜索式规划——在动作空间搜索(如 LATS 的 MCTS);更强但更贵。重规划(replan)——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,则重新生成计划(可保留已完成的步骤)。与'工作记忆'的关系——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')。评估——(a) 计划的可行性(子任务是否可执行);(b) 计划的完整性(是否覆盖所有必要步骤);(c) 执行成功率。
🏭 深度剖析与工业落地权衡
深度剖析与工程权衡:① '显式计划'解决长任务的'迷路'问题——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 '计划太细'是常见错误——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 '重规划'是必需能力——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 '成本结构'的差异——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 与'多智能体'的关系——'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 面试要点——被问'Agent 如何规划',应给出'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',并强调'计划太细反而有害'与'长任务需要显式计划防迷路';这是 Agent 架构类问题的深度回答。
⚠️ 常见面试陷阱与高频失分点
- ✕计划过于细化(无法适应意外)
- ✕不支持重规划(环境变化时计划失效)
🎯 面试官连环追问与延伸考察
- ?计划太细或太粗有什么问题?
- ?Plan-and-Execute 与 ReAct 如何结合?
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!