智能体规划（Agent Planning）

智能体规划（Agent Planning）指智能体在动手之前或执行过程中，把模糊目标拆解成一串可执行步骤，安排先后与依赖关系，并根据中间结果调整后续安排。它区别于单步工具调用：任务跨度长、步骤之间存在依赖、一步失败可能拖垮整条链路。

常见做法

• 先规划后执行：一次性生成完整步骤清单再逐步执行，结构清晰、便于人工审阅，但环境一变计划就失效。
• 边做边规划：每完成一步重新评估状态再决定下一步，适应性强，代价是调用次数与延迟上升。
• 分层规划：先出高层里程碑，执行到某一步时再展开该步的子任务，控制单次上下文的长度。
• 计划与校验分离：让另一个角色检查计划是否自洽、是否遗漏前置条件，比让同一模型自评更可靠。
• 按依赖排序：先做只读的探查类步骤，再做有副作用的写入类步骤，出错时更容易回退。

与相邻概念的边界

规划和工具调用、记忆不是一回事：工具调用解决「用哪个接口做事」，规划解决「先做什么、后做什么」；记忆提供跨步骤的事实，规划负责在这些事实之上安排动作。与工作流编排相比，规划由模型在运行时生成步骤，而不是由人预先画好固定流程，因此更灵活，也更难预测与测试。对可靠性要求高的场景，常把关键步骤固化成工作流，只在需要判断的地方交给模型规划，二者并不互斥；判断依据可以简单概括为：步骤固定、依赖清楚就用工作流，需要在运行中根据观察结果改主意才值得引入规划层。

落地要点

• 工具描述要具体：说明含糊时模型只能凭想象安排步骤，参数与返回值的约定要写清楚。
• 每步要有成功判据：没有可检查的判据，就无法判断该继续、重试还是回退。
• 设重试上限与回退点：失败时退到上一个稳定状态，而不是从头再来，避免重复消耗。
• 限制计划长度与分支：分支过多时一次跑偏就会消耗大量调用，宁可拆成多次短任务。
• 评估看端到端：关注整体成功率与平均步数，而不只是单步是否正确。

规划质量高度依赖可用的工具描述与状态反馈，工程上的重点是把失败路径设计清楚。一个务实的判断标准是：如果任务只有两三步且无需条件分支，直接调用比引入规划层更划算。