收藏！深入理解多AI-Agent协作：Plan-And-Execute模式解析与应用

关注

原创最新推荐文章于 2026-09-05 07:26:55 发布 1.5k 阅读 AI 写同款· GEO 优化 ›

智能体推理范式: Plan-and-Execute（规划与执行）文章摘要：Plan-and-Execute是一种将复杂任务先规划后执行的架构模式，包含规划器、执行器和重规划器三个核心组件。规划器负责将任务分解为子任务并确定依赖关系，执行器按计划执行任务，重规划器在遇到问题时动态调整计划。相比传统ReAct模式，该架构具有全局规划、高效执行、支持并行等优势，特别适合多步骤、可预见的复杂任务。实际应用场景包括数据分析报告生成、软件发布流程和客户支持自动化等。通过先谋后动的方式，使复杂任务变得有序可控。阅读详情

本文深入探讨了多AI-Agent协作的工程本质，重点解析了Plan-And-Execute模式的工作原理与实现。通过代码演示展示了AgentPlanAndExecute与AgentReAct如何协作完成复杂任务。多Agent协作能有效解决单Agent的上下文限制、延迟高和稳定性问题，实现从"万能助手"到"专业团队"的范式转变，让AI系统更加高效准确地完成目标。

AI-Agent是什么？

AI-Agent是我们给大模型加上“工作规则”和“工具”，使它能够与外部环境持续交互，自主地完成任务目标。

‘工作规则’是基于某种方法论，任何人都可以去定义大模型的做事规范，恰到好处的方法论可以让任务目标更高效、更准确地达成。ReAct/Plan-And-Execute它们就是工作规则。

langchain给Plan-And-Execute模式定义了三种类型：

Plan-And-Execute
LLMCompiler
ReWOO

我选择第1种类型为切入点来揭示其工程本质、同时也揭开多个AI-Agents协作的工程本质。

工作模式

Plan-And-Execute模式是如何工作的呢？

首先，分析阶段，大模型会对任务进行分析，从而理解任务目标。

然后，规划阶段，大模型会将任务分解成多个有顺序的子任务。

接着，执行阶段，大模型会按顺序去要求Agent执行子任务，Agent 执行子任务后会将结果答复大模型。

之后，重新规划，大模型会将子任务执行结果和子任务列表重新思考、重新规划，得到一个新的子任务列表。

最终，循环往复，所有子任务执行完毕后，大模型会将所有子任务的结果组合起来，生成最终结果。

工程本质

由于Plan-And-Execute工作模式的步骤较多，我通过代码来进行演示和阐述。

我使用青云智算平台里的大模型：DeepSeek-V3.1-Terminus

我的项目地址：

https://github.com/lindongsen/essence-of-AI-engineering.git

这里有两个Agent：

一个是AgentPlanAndExecute，用于规划任务；

一个是AgentReAct，用于执行单一任务。

AgentPlanAndExecute 在运行过程中会调用 AgentReAct 去执行子任务。

这是“Plan-And-Execute”提示词：

你的核心职责是将用户提供的“高级任务”分解为可操作的子任务，制定一个循序渐进的计划，然后协调执行这些子任务。

你有一个辅助工具AgentShell，它可以执行单一、具体的任务。

你的输出应包括完整的计划概述、每个步骤的执行结果以及最终总结。

严格遵循以下步骤：

任务提交(task)：用户会提交一个任务。当用户没有提交任务或任务模糊，请向用户发起询问（task-ask），用户会答复给你task。
任务分析(plan-analysis)：分析任务描述，理解任务目标、上下文信息、任何约束条件。如果任务模糊，请向用户发起询问（task-ask）。
任务规划(plan-list)：分解任务为自然语言描述的一个或多个逻辑子任务（subtasks），这些子任务是有顺序的，每个子任务是原子性的，确保它们组合起来能实现总体目标。
执行（execute-subtask）:按顺序执行子任务，调用AgentShell来执行单一子任务。等待单一子任务执行完毕，获得子任务的执行结果（subtask-result）。
重新规划（replan-list）:你已经知道当前子任务执行到哪一步，需要再根据‘subtask-result’和‘subtasks’重新做任务规划，生成新的subtasks。任务规划方式同上述的plan-list步骤。
执行（execute-subtask）:同上述的execute-subtask步骤。
最终结果（final）:所有子任务执行完毕后，将所有子任务的结果组合起来，生成最终输出，确保输出符合用户的原始任务目标。

特别注意：

在plan-list和replan-list这两个步骤中，当你遇到模糊的问题，例如：不清楚操作系统版本、相关工具是否存在等情况，应该将这类模糊事件规划成子任务去做确定。
当你‘不理解’任务目标，则输出中必须有task-ask，否则输出中必须有且仅有一个‘execute-subtask或final’。
子任务不允许任何改变已有文件和文件夹的操作，包括但不限于：删除、修改、移动、重命名等。

输出格式要求：

所有步骤必须严格使用JSON的格式输出，当有超过1个输出时使用list格式将json作为元素按照顺序输出，JSON支持的关键字如下。

step_name, 步骤名称，字符串格式
raw_text, 原始内容，字符串格式
tool_call, 指定工具名，字符串格式，仅execute-subtask步骤使用
tool_args, 指定工具参数，JSON格式，仅execute-subtask步骤使用

AgentShell的调用方式：

agent_shell(message)，返回JSON，如{“step_name”:“subtask_result”,“raw_text”:“ok”}。

这是“Plan-And-Execute”执行过程：

a. 启动会话

~/essence-of-AI-engineering# DEBUG=1 uv run AgentPlanAndExecute.py

Welcome to the Plan-And-Execute AI Agent. Type ‘exit’ to quit.

Enter your task:

b. 发起任务

任务内容是：“请转换视频到音频，输出到相同的文件夹下，文件夹是/workspace”

AgentPlanAndExecute中大模型收到了任务，分析任务，分解任务到多个子任务。之后，发起了一个执行子任务的行动，可以看出来发起子任务使用的是自然语言。

[AgentPlanAndExecute] [2025-10-14 00:43:46] {

“step_name”: “task”,

“raw_text”: “请转换视频到音频，输出到相同的文件夹下，文件夹是/workspace”

}

[AgentPlanAndExecute] [2025-10-14 00:43:49] [

{

"step\_name": "plan-analysis",

"raw\_text": "任务目标是将/workspace文件夹下的视频文件转换为音频文件，并输出到同一文件夹。约束条件包括：不能改变已有文件和文件夹（如删除、修改、移动、重命名），因此转换过程应避免覆盖原文件。任务未指定视频格式、音频格式或具体文件名，需要先探索文件夹内容以确定可用的视频文件。"

{

"step\_name": "plan-list",

"raw\_text": "分解任务为以下子任务：1. 列出/workspace文件夹中的视频文件以识别可转换的目标；2. 根据文件列表，逐个转换视频为音频，确保输出文件名不冲突。"

{

"step\_name": "execute-subtask",

"tool\_call": "agent\_shell",

"tool\_args": {

  "message": "列出/workspace文件夹中的所有文件，特别是视频文件（如.mp4、.avi、.mov等），以确定可转换的目标。"

}

}

]

AgentReAct中大模型收到了子任务，思考并做出了正确行动，它找到了2个视频文件，同时识别其有效性。

[AgentReAct] [2025-10-14 00:43:49] {

“step_name”: “task”,

“raw_text”: “列出/workspace文件夹中的所有文件，特别是视频文件（如.mp4、.avi、.mov等），以确定可转换的目标。”

}

[AgentReAct] [2025-10-14 00:43:50] [

{

"step\_name": "thought",

"raw\_text": "我需要列出/workspace文件夹中的所有文件，特别是视频文件。这可以通过使用ls命令来实现，并可以结合grep来筛选视频文件。"

{

"step\_name": "action",

"tool\_call": "exec\_cmd",

"tool\_args": {

  "cmd\_string": "ls -la /workspace"

},

"raw\_text": "我将使用exec\_cmd工具来列出/workspace文件夹中的所有文件。"

}

]

[AgentReAct] [2025-10-14 00:43:50] {

“step_name”: “observation”,

“raw_text”: [

0,

"total 62916\ndrwxr-xr-x 2 root root     4096 Oct 14 00:41 .\ndrwxr-xr-x 1 root root     4096 Oct 14 00:41 ..\n-rw-r--r-- 1 root root 64411088 Oct 14 00:25 T-ARA\_LittleApple.mp4\n-rw-r--r-- 1 root root        0 Oct 13 18:08 test-invalid.mp4\n-rw-r--r-- 1 root root        0 Oct 13 18:08 test.123",

""

]

}

[AgentReAct] [2025-10-14 00:43:52] [

{

"step\_name": "thought",

"raw\_text": "从观察结果中，我看到了/workspace文件夹中的文件列表。其中有两个视频文件：T-ARA\_LittleApple.mp4（64MB）和test-invalid.mp4（0字节）。test.123文件没有扩展名，可能不是视频文件。现在我可以确定可转换的目标视频文件。"

{

"step\_name": "final\_answer",

"raw\_text": "在/workspace文件夹中找到了以下视频文件：\n1. T-ARA\_LittleApple.mp4 (64MB) - 有效的视频文件\n2. test-invalid.mp4 (0字节) - 无效的空文件\n\n可转换的目标视频文件是T-ARA\_LittleApple.mp4。"

}

]

AgentPlanAndExecute中大模型会基于子任务结果重新规划多个子任务，之后，发起第一个子任务。

[AgentPlanAndExecute] [2025-10-14 00:43:52] {

“step_name”: “subtask_result”,

“raw_text”: “在/workspace文件夹中找到了以下视频文件：\n1. T-ARA_LittleApple.mp4 (64MB) - 有效的视频文件\n2. test-invalid.mp4 (0字节) - 无效的空文件\n\n可转换的目标视频文件是T-ARA_LittleApple.mp4。”

}

[AgentPlanAndExecute] [2025-10-14 00:43:54] [

{

"step\_name": "replan-list",

"raw\_text": "基于子任务结果，识别出可转换的视频文件为T-ARA\_LittleApple.mp4。重新规划子任务：1. 转换T-ARA\_LittleApple.mp4为音频文件，输出到/workspace文件夹，使用不冲突的文件名（如添加\_audio后缀）。"

{

"step\_name": "execute-subtask",

"tool\_call": "agent\_shell",

"tool\_args": {

  "message": "将视频文件/workspace/T-ARA\_LittleApple.mp4转换为音频文件，输出为/workspace/T-ARA\_LittleApple\_audio.mp3，确保不修改原文件。"

}

}

]

AgentReAct执行子任务。

[AgentReAct] [2025-10-14 00:43:54] {

“step_name”: “task”,

“raw_text”: “将视频文件/workspace/T-ARA_LittleApple.mp4转换为音频文件，输出为/workspace/T-ARA_LittleApple_audio.mp3，确保不修改原文件。”

}

…

[AgentReAct] [2025-10-14 00:44:10] [

{

"step\_name": "thought",

"raw\_text": "目标文件已成功生成，文件大小为3374957字节（约3.3MB），文件类型为MP3音频文件。转换过程成功，原文件未被修改。任务完成。"

{

"step\_name": "final\_answer",

"raw\_text": "视频文件已成功转换为音频文件。输出文件为/workspace/T-ARA\_LittleApple\_audio.mp3，大小为3.3MB，格式为MP3。原文件未被修改。"

}

]

AgentPlanAndExecute基于所有子任务的结果进行总结，生成最终结果。

[AgentPlanAndExecute] [2025-10-14 00:44:10] {

“step_name”: “subtask_result”,

“raw_text”: “视频文件已成功转换为音频文件。输出文件为/workspace/T-ARA_LittleApple_audio.mp3，大小为3.3MB，格式为MP3。原文件未被修改。”

}

[AgentPlanAndExecute] [2025-10-14 00:44:12] [

{

"step\_name": "final",

"raw\_text": "任务完成总结：成功将/workspace文件夹中的视频文件T-ARA\_LittleApple.mp4转换为音频文件T-ARA\_LittleApple\_audio.mp3，并输出到同一文件夹。转换过程未改变任何已有文件，符合任务要求。最终输出文件路径为/workspace/T-ARA\_LittleApple\_audio.mp3。"

}

]

结语

AI-Agent的工程本质是"工作规则"和"工具"，任何人都可以定义"工作规则"，“工作规则"也可称之为"方法论”。用恰当的方法去解决特定场景的任务，它可以让目标的达成更加高效、更加准确。

多个AI-Agents的协作本质上是将"工作"各自聚焦，让专业的AI-Agent做对应专业的事，让各个AI-Agent能单独维护，实现原子操作也更加容易。

我们经常遇见的一些问题：

单个AI-Agent的上下文窗口不够用。用多个AI-Agents去分工协作、分解任务，可以解决此问题。
单个AI-Agent的思考时间太长，延迟太高。用多个AI-Agents能让上下文消息量变少，让任务更加专注。
单个AI-Agent对复杂任务的表现不稳定，易产生"幻觉"。用多个AI-Agents去让擅长者做擅长事，分解后的各个任务目标更加聚焦，执行任务会更加高效和准确。

单个 AI-Agent 是一种从“AI工具”到“AI助手”的范式转移。

多个 AI-Agents 是一种从"万能助手"到"专业团队"的范式转变。

—# 大模型未来如何发展？普通人如何抓住AI大模型的风口？

※领取方式在文末

为什么要学习大模型？——时代浪潮已至

随着AI技术飞速发展，大模型的应用已从理论走向大规模落地，渗透到社会经济的方方面面。

技术能力上：其强大的数据处理与模式识别能力，正在重塑自然语言处理、计算机视觉等领域。
行业应用上：开源人工智能大模型已走出实验室，广泛落地于医疗、金融、制造等众多行业。尤其在金融、企业服务、制造和法律领域，应用占比已超过30%，正在创造实实在在的价值。

请添加图片描述
未来大模型行业竞争格局以及市场规模分析预测:

同时，AI大模型技术的爆发，直接催生了产业链上一批高薪新职业，相关岗位需求井喷：
请添加图片描述
AI浪潮已至，对技术人而言，学习大模型不再是选择，而是避免被淘汰的必然。这关乎你的未来，刻不容缓！

那么，我们如何学习AI大模型呢？

在一线互联网企业工作十余年里，我指导过不少同行后辈，经常会收到一些问题，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题，也不是三言两语啊就能讲明白的。

所以呢，这份精心整理的AI大模型学习资料，我整理好了，免费分享！只希望它能用在正道上，帮助真正想提升自己的朋友。让我们一起用技术做点酷事！

ps:微信扫描即可获取
加上后我将逐一发送资料
与志同道合者共勉
真诚无偿分享！！！

在这里插入图片描述

适学人群

我们的课程体系专为以下三类人群精心设计：

AI领域起航的应届毕业生：提供系统化的学习路径与丰富的实战项目，助你从零开始，牢牢掌握大模型核心技术，为职业生涯奠定坚实基础。
跨界转型的零基础人群：聚焦于AI应用场景，通过低代码工具让你轻松实现“AI+行业”的融合创新，无需深奥的编程基础也能拥抱AI时代。
寻求突破瓶颈的传统开发者（如Java/前端等）：将带你深入Transformer架构与LangChain框架，助你成功转型为备受市场青睐的AI全栈工程师，实现职业价值的跃升。

在这里插入图片描述

※大模型全套学习资料展示

通过与MoPaaS魔泊云的强强联合，我们的课程实现了质的飞跃。我们持续优化课程架构，并新增了多项贴合产业需求的前沿技术实践，确保你能获得更系统、更实战、更落地的大模型工程化能力，从容应对真实业务挑战。
在这里插入图片描述资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。