Planner-Executor 是 Agent 系统中最经典的架构模式之一。核心思想是将"想"和"做"分离——Planner 负责任务分解和策略制定，Executor 负责逐步执行。这种分离让架构更清晰、更易维护，也更容易针对规划和执行分别优化。

一句话解释

Planner 生成计划 → Executor 逐步执行 → 失败时触发重规划，用"计划级推理"替代"步级推理"提升复杂任务的成功率。

核心结论

• Planner 负责任务分解和策略制定，Executor 负责具体执行
• 规划与执行分离使 Agent 架构更清晰、更易维护
• Planner 需要将复杂任务分解为可执行的子任务序列
• Executor 需要可靠地执行每个子任务并处理异常
• 好的 Planner-Executor 设计能显著提升复杂任务的成功率

基础概念

Planner：规划器，负责任务分解、策略选择和步骤规划。

Executor：执行器，负责按计划执行具体操作。

Task Decomposition：将复杂任务分解为简单子任务。

Strategy：完成任务的整体方法和路径。

Step：规划中的具体执行步骤。

Feedback：执行结果反馈给 Planner 用于调整计划。

Replanning：根据执行结果重新规划。

Plan-and-Execute 架构详解

完整执行流程

与 ReAct 的核心区别

维度	ReAct	Plan-and-Execute
推理粒度	步级（每步都重新推理）	计划级（先规划完整计划再执行）
前瞻性	一步一顾（只看当前步骤）	全局规划（先看全貌再执行）
适合任务	简单、短链任务	复杂、多步骤任务
执行效率	每步都调 LLM，开销大	规划一次，执行多次，开销小
灵活性	高（随时调整方向）	中（需重规划才能调整）
Token 消耗	高（每步都带完整上下文）	中（Executor 只需当前步骤上下文）
典型实现	ReAct模式	LangGraph Plan-and-Execute

关键洞察：ReAct 像是"走一步看一步"，Plan-and-Execute 像是"先看地图再出发"。两者不是互斥的——Plan-and-Execute 的 Executor 内部可以使用 ReAct 模式执行单个步骤。

混合模式：Plan + ReAct

规划策略对比

三种规划策略

策略	描述	优势	劣势	适用场景
一次性规划	开始时生成完整计划，执行中不改	全局视角，执行高效	无法适应变化	流程明确的任务
迭代规划	每步执行后根据结果调整后续计划	适应性强	规划开销大	不确定性高的任务
层级规划	先粗粒度分解，再对子任务递归细化	控制粒度灵活	层级深时复杂	大型复杂项目

一次性规划 vs 迭代规划

层级规划

计划修正机制（Replanning）

何时触发重规划

触发条件	描述	示例
步骤失败	当前步骤执行失败且重试无效	API 返回 404，数据源不可用
结果偏离预期	执行结果与计划假设不符	搜索返回 0 条结果
发现新信息	执行中发现需要额外步骤	数据需要先解密才能处理
资源耗尽	Token 或时间预算即将用尽	已消耗 80% Token 预算
用户修正	用户中途修改需求	用户说"不要用这个数据源"

重规划策略

Prompt 模式：

"原计划是：{original_plan}
 已完成的步骤：{completed_steps}
 失败的步骤：{failed_step}
 失败原因：{error_message}
 新发现的信息：{new_info}
 
 请基于以上信息，生成调整后的新计划。
 保留已成功完成的步骤，调整未执行的部分。"

重规划的代价

• 成本：每次重规划都是一次完整的 LLM 调用
• 时间：重规划增加延迟
• 一致性：新计划可能与旧计划逻辑不一致
• 无限循环风险：反复重规划但不收敛

防护措施：设置最大重规划次数（如 3 次），超过则回退到降级策略或请求人工介入。

在主流框架中的实现

LangGraph Plan-and-Execute

LangGraph 的优势：

• 每个节点执行后自动保存检查点（支持断点续跑）
• 可以在 Replan 节点暂停等待人工审批
• 可视化展示计划执行进度

OpenAI Agents SDK 的 Handoff 实现

OpenAI Agents SDK 用 Handoff 机制实现类似效果：

• 一个 Agent 可以声明它能"移交"任务给哪些其他 Agent
• Planner Agent 分析任务后，Handoff 给执行型 Agent
• 执行型 Agent 完成后，可以 Handoff 回 Planner 或其他 Agent
• 路由逻辑由 LLM 自动判断

规划质量对执行效率的影响

好计划 vs 坏计划

提升规划质量的方法

1. 提供充分的上下文：Planner 需要知道可用工具、约束条件、历史经验
2. 参考历史计划：类似任务的成功计划可以作为 few-shot 示例
3. 预估每步难度：标注难度有助于提前识别风险步骤
4. 设置检查点：在关键步骤后验证中间结果，避免错误传播

何时用 ReAct vs Plan-and-Execute

场景特征	推荐模式	理由
任务简单、步骤少（1-3 步）	ReAct	规划开销不值得
任务复杂、步骤多（5+ 步）	Plan-and-Execute	全局规划提升效率
任务路径不确定、需探索	ReAct	随时调整方向
任务流程清晰、可预测	Plan-and-Execute	按计划执行更高效
需要向用户展示计划	Plan-and-Execute	可以先展示计划再执行
需要人工审批	Plan-and-Execute	在计划阶段审批
成本敏感	Plan-and-Execute	减少 LLM 调用次数
需要并行执行	Plan-and-Execute	规划时可识别并行步骤

与任务队列的关系

Planner与Executor 和 Agent任务队列 分工明确：

• Planner 关注任务分解和顺序
• 任务队列关注调度策略和并发控制
• Executor 关注单步执行质量

Executor 模式

• Sequential：顺序执行，前一步的结果作为后一步的输入
• Parallel：并行执行独立任务，汇总结果
• Conditional：根据条件选择执行路径
• Iterative：迭代执行直到满足退出条件

实战场景

• 复杂查询：分解为多个检索步骤，逐步缩小范围
• 数据分析：数据获取 → 清洗 → 分析 → 可视化（流水线）
• 代码生成：需求分析 → 架构设计 → 编码 → 测试（层级规划）
• 报告生成：信息收集 → 整理 → 撰写 → 审核（流水线 + 审核）
• 自动化部署：环境检查 → 构建 → 测试 → 部署（条件分支）

常见误区

• Planner 过度规划：计划太详细缺乏灵活性，任何偏差都触发重规划
• Executor 缺乏判断：盲目执行不验证结果，错误传播到后续步骤
• 不处理计划失败：没有 replanning 机制，一步失败全盘崩溃
• 规划与执行耦合：Planner 和 Executor 共享太多状态，难以独立优化
• 忽视执行成本：多步执行成本累积，不设预算上限
• 重规划无限循环：没有最大重规划次数限制，陷入死循环

进阶方向

• 层次化规划（Hierarchical Planning）—— 递归分解
• 在线规划（Online Planning）—— 边执行边规划
• 学习计划优化 —— 从历史成功/失败中改进规划策略
• 多 Planner 协作 —— 多个 Planner 从不同视角规划
• 规划缓存与复用 —— 类似任务的计划模板化
• 自适应执行策略 —— Executor 根据任务特征选择执行模式

推荐资料

• Anthropic Building Effective Agents - https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/building-effective-agents
• LangGraph Plan-and-Execute - https://langchain-ai.github.io/langgraph/
• HuggingGPT Paper - https://arxiv.org/abs/2303.17580
• Voyager Paper - https://arxiv.org/abs/2305.16291
• AutoGen Task Decomposition - https://microsoft.github.io/autogen/

关联笔记

• Agent基础 — Agent 核心概念与模式
• Agent工作流 — 工作流是宏观编排，Planner-Executor是微观规划
• ReAct模式 — ReAct vs Plan-and-Execute 对比
• 多Agent协作 — 主从模式中 Planner 即 Manager
• Agent任务队列 — Planner 生成任务，队列调度执行
• Agent失败模式 — 计划失败与执行失败的处理
• Agent状态管理 — 计划状态的持久化与恢复