L06 — 规划与任务分解

本课目标：学会让 Agent 处理复杂的多步骤任务。L03 的 ReAct 是"边想边做"，这课讲另一种范式——"先规划，再执行"（Plan-and-Execute），并对比两者的适用场景。

这是 Agent 从"完成小任务"到"完成复杂任务"的关键能力。

1. 为什么复杂任务需要规划？

看一个复杂任务：

"帮我调研一下北京和上海的天气，比较哪个更热，然后算出温差，最后用一句话总结。"

如果用 ReAct（边想边做），Agent 可能： - 查北京天气 → 查上海天气 → 算温差 → 总结 - 但也可能：查北京 → 算温差（忘了还没查上海）→ 发现错了 → 重新查... 走弯路

问题在于：边想边做缺乏全局视野，走到一半才发现路线错了。

规划的思路：先把整个任务的步骤想清楚，列成清单，再按清单执行。

规划阶段：
  1. 查北京天气
  2. 查上海天气
  3. 比较两地温度，算温差
  4. 用一句话总结

执行阶段：
  按清单逐个完成，每完成一个打勾

🎯 核心认知：规划的价值是全局视野——先把路线想清楚，避免边走边撞墙。

CoT（Chain of Thought） 是让模型"分步推理"的技巧。核心就一句话：在 prompt 里要求模型"一步步想"。

普通：算一下 (17+25)×3
模型可能直接给：126（可能算对也可能算错）

CoT：算一下 (17+25)×3，请一步步展示你的计算过程
模型会：先算 17+25=42，再算 42×3=126

为什么 CoT 有效？因为让模型"写出中间步骤"，等于强制它一步步推理，每步都可以验证，减少了"一步到位"的出错率。

CoT 是"推理层面的分步"（把思考拆开），规划是"任务层面的分步"（把任务拆成子任务）。Plan-and-Execute 就是把 CoT 思想应用到任务执行上——先列出所有步骤（计划），再逐个执行。

这是本课的核心范式。两个阶段：

让 LLM 看完任务，输出一个结构化的任务计划（通常是 JSON 列表）：

{
  "steps": [
    "查询北京的天气",
    "查询上海的天气",
    "比较两地温度，计算温差",
    "用一句话总结调研结论"
  ]
}

逐个执行计划里的步骤。每个步骤可以： - 调用工具（查天气、算数） - 基于前面步骤的结果继续推理 - 完成后在计划里标记"已完成"

步骤 1: 查北京天气 → "北京：晴，25°C"  ✅
步骤 2: 查上海天气 → "上海：多云，28°C" ✅
步骤 3: 比较温差 → 28-25=3°C，上海更热  ✅
步骤 4: 总结 → "上海比北京热3度"        ✅

因为好解析。让模型输出结构化的 JSON，你用 json.loads() 就能拿到步骤列表，程序化地逐个执行。这比让模型输出自然语言然后你正则解析可靠得多。

💡 小技巧：要求模型输出 JSON 时，可以在 prompt 里给一个格式示例，并强调"只输出 JSON，不要其他内容"。

用 ReAct 当： - 任务探索性强（不知道中间会发现什么） - 每步依赖上一步的观察来决定 - 例：debug（根据报错决定下一步查哪里）

用 Plan-and-Execute 当： - 任务步骤可以提前想清楚 - 有明确的子任务序列 - 例：调研报告（查数据→对比→分析→总结）

工业界常把两者结合：先 Plan 出大致步骤，Execute 时用 ReAct 灵活执行每一步。这样既有全局视野，又能随机应变。本课先讲纯 Plan-Execute，结合版留给练习。

code.py 实现 Plan-and-Execute，并和 ReAct 对比：

用同一个复杂任务，分别跑 Plan-Execute 和 ReAct，对比： - Plan-Execute：先看到完整计划，再逐个执行 - ReAct：边想边做，没有全局计划

看 Plan-Execute 怎么避免 ReAct 可能的"走弯路"。

python agent-lessons/06_planning/code.py

终端会打印规划阶段（任务清单）和执行阶段（逐步完成）。重点对比 Plan-Execute 和 ReAct 的不同工作方式。

下一课 L07 — Agentic RAG 会把 Agent 和你学过的 RAG 结合起来。