规划与任务分解

一句话定义

规划是把一个大目标分解为有序、可执行、可校验的子任务清单的过程——ReAct 是"走一步看一步"，规划是"先画路线图再上路"；两者组合（先规划、执行中按需重规划）是长任务 Agent 的标准配置。

为什么重要

长任务是 Agent 的价值所在，也是阵亡率最高的场景。纯 ReAct 在 10+ 步任务上会"迷路"：目标被中间产物淹没（kp-003）、每步只看眼前导致绕圈。规划提供三样东西：全局视野（防局部最优）、进度结构（做完哪几项了）、可校验的完成标准（每项有交付物）。Claude Code、Deep Research 这类顶级系统全部内置显式计划结构（如 todo list 工具，kp-028）。

前置知识

kp-012（ReAct）、kp-005（结构化输出）。

核心概念

两种规划时序

模式	做法	优点	风险
先规划后执行（plan-then-execute）	先产出完整计划，逐项执行，偏差大时重规划	全局性、可并行、可预算	计划基于错误假设 → 执行到一半崩
边做边规划（ReAct + todo）	维护一张动态更新的任务清单	适应发现型任务	无全局视野，易绕路

实践中最常用的是混合：开局生成初步计划 → 执行中用"todo 工具"勾掉/追加/修订 —— Claude Code 的 TodoWrite 就是这个模式的落地：计划不是文档，是循环中的一个工具，模型每完成一步就重写计划文件，从而把"我做到哪了"固化进上下文（对抗上下文腐烂的关键手段）。

好计划的三个特征

子任务原子化：每项一次工具调用或一个短 ReAct 能完成、有明确产出
顺序显式且依赖清晰："先拿到数据（B 依赖 A 的 file_id）"
每项带验收标准："输出 CSV，列齐全，行数 = 输入记录数"——没有验收标准的计划只是愿望清单（也是 kp-024 评测的天然素材）

分解的两种引擎

模型分解（LLM Decompose）：让模型自己列计划——灵活，适合陌生任务；注意给 few-shot 示例"好计划长什么样"
结构化分解（plan schema）：强制输出 [{id, goal, depends_on, deliverable, status}] 的 JSON——可程序化跟踪、可并行调度（无依赖项并行执行，kp-019/027）

原理与机制

为什么显式计划能提升长任务成功率？三个机制：

对抗上下文腐烂：计划文件是"可再读的目标锚点"。50 轮工具输出淹没初心时，模型重读计划即可复位——比"相信注意力自己记住目标"可靠得多（kp-003）
分解降低单步复杂度：每步的条件生成面对的是"小问题 + 明确子目标"，出错率低于直接面对大问题（与人类工作记忆的道理相同，米勒 7±2）
结构带来校验点：计划项是天然的检查站——可插入人工审批（kp-023）、自动验收、并行分发（kp-019）

经典的 Plan-and-Solve 论文（2023）证明：仅靠在提示里加"先制定计划再执行"的指令，就能修复 zero-shot CoT 的常见失败（缺步骤、重复、计算错误）。后续 HuggingGPT 用"任务规划→模型选择→执行→响应生成"四阶段，把规划推向复杂多模态管线。

直观类比

装修房子：ReAct 是"边住边改"——今天看厨房不顺手改厨房，常常推倒昨天砌的墙。规划是先出施工图（水电→瓦工→木工→油漆，依赖明确），施工中按图勾进度；发现承重墙（意外）就重画那一页图纸，而不是整个推倒。todo 工具 = 贴在墙上的施工进度表，每完成一项划掉——不是给业主看的，是给工人自己看的（对抗迷路）。

实例与案例

"分析这份 500 页 PDF 财报，输出三家同行对比报告"的计划（结构化输出）：

json[{"id": 1, "goal": "提取主公司关键财务指标", "deliverable": "metrics.json", "status": "pending"},
 {"id": 2, "goal": "识别三家可比公司", "deliverable": "comps.txt", "depends_on": [1], "status": "pending"},
 {"id": 3, "goal": "逐家获取同行数据", "deliverable": "comps/*.json", "depends_on": [2], "parallel": true},
 {"id": 4, "goal": "生成对比图表与结论", "deliverable": "report.md", "depends_on": [1, 3]}]

注意三点：交付物是文件（不占上下文，kp-022）、第 3 项可并行（分派给 worker，kp-019）、每项可独立验收（行数/字段齐全性可程序检查，kp-024）。

常见误区

误区一：计划一次成型。信息在执行中才暴露（查了才知道有哪些同行）——必须有重规划机制，否则计划变枷锁。
误区二：计划粒度过粗（"1. 收集数据 2. 写报告"）等于没分解；过细则僵化。经验粒度：3-10 项、每项 1-5 分钟模型工作量。
误区三：计划只存在上下文里。长任务中会被冲刷——写进文件/工具（todo 工具模式），这是与"想过一遍"的本质区别。
误区四：所有任务都上规划。两步小任务直接做，规划开销反而添乱。

自测题

显式计划对抗上下文腐烂的机制是什么？
plan-then-execute 与 ReAct+todo 各适合什么场景？
为什么计划项的 deliverable 建议是文件而不是"记住结果"？

（参考答案：1. 计划是可重读的目标锚点，被淹没后可复位；2. 步骤大体可预知（可预算可并行）vs 发现型任务（边走边修）；3. 文件不占上下文、可程序校验、可被子 Agent/后续步骤引用。）

与其他知识点的关系

计划的分派执行 → kp-019；验收标准 → kp-024
计划失败后的自我修正 → kp-014；Anthropic 的多 Agent 研究结论 → kp-020