智能体进阶——Plan-and-Solve模式

大家好，欢迎阅读这份《智能体（AI+Agent）开发指南》！
在大模型和智能体快速发展的今天，很多朋友希望学习如何从零开始搭建一个属于自己的智能体。本教程的特点是 完全基于国产大模型与火山推理引擎实现，不用翻墙即可上手，非常适合国内开发者快速实践。
通过循序渐进的讲解，你将学会从 环境配置、基础构建、进阶功能到实际案例 的完整流程，逐步掌握智能体开发的核心技能。无论你是初学者还是有经验的工程师，相信这份教程都能为你带来启发。

一. Decomposition-First 方法

◦ 显式任务分解
▪ 在任务开始时，优先将复杂任务拆解为多个子任务或步骤。
▪ 这种分解通常由大模型（LLM）主导，强调结构化、逻辑化的分解过程。
◦ 规划优先于执行
▪ 分解之后，先规划完成路径或执行步骤，再按照规划逐步执行，避免临时性、随意性推理。
▪ 强调“先想清楚，再动手做”。
◦ 子任务形式结构化
▪ 任务分解时通过结构化方式表达子任务或计划，便于后续处理与执行。
◦ 执行依赖明确
▪ 在分解过程中，明确子任务之间的依赖关系或执行顺序，保障整体任务逻辑一致性与执行效率。

二. Reasoning without Observation

• 背景：每一步都Observation，浪费token
现有的增强型语言模型（ALMs）通过交替地调用外部工具并获取反馈来进行推理，“想–查–想–查”穿插执行，但这种方式会因重复提示和多次执行而导致计算复杂度过高。
• 核心思路：先“想”再统一“查”——分离思考与观察
◦ ReWOO 将思考过程和下载工具结果分离，不再每一步思考后立即中断去 “查”。
◦ 模型先连续生成完整思考流程（无工具调用），然后一次性执行所有工具，最后统一获取观察结果，这样减少了中间跳转和 prompt 重复，显著提升 token 使用效率。
◦ Planner包含连续的元组（Plan，#E），其中#Es（s表示步骤编号）是一个特殊的占位符或标记，它用来存储在执行第s步时，从相应的 Worker（执行子任务的组件）那里获得的、被认为是正确的证据（evidence）。

ReO与ReWOO对比

◦ Planner（规划器）：用大语言模型（LLM）的推理能力，先生成一份“方案蓝图”，包含每一步的描述信息Plan，以及一个特殊变量#E，用来存储执行证据。
▪ 例如：Plan = “先搜索证据”，#E1 = “搜索结果”
◦ Worker（执行器）：根据 Planner 的指令，与外部环境或工具交互，并把真实的观测/结果写入 #E。
◦ Solver（解算器）：最后读取所有的 Plan + #E，生成最终答案或者动作的执行状态。
▪ 并且提示 Solver“谨慎”使用这些信息，可以让模型在 Planner 或 Worker 失败时，自己用推理能力弥补。

提示工程与AI智能体构建指南：https://huggingface.co/blog/VirtualOasis/ai-prompt-engineering-and-agents

欢迎关注微信公众号：AIWorkshopLab，自动获取完整教程：智能体（AI+Agent）开发指南.pdf。