面试官:Plan-Execute-Replan 和 ReAct 有啥区别?

避坑指南:LangGraph工作流中Plan-and-Execute模式的3个典型错误与解决方案 本文深入剖析了在LangGraph工作流中应用Plan-and-Execute模式时常见的三个典型错误:任务规划循环卡死、工具调用结果丢失以及状态机设计缺陷。针对每个问题,文章提供了清晰的根因分析、实用的诊断方法以及具体的解决方案,例如强化状态设计、确保上下文连贯传递和采用模块化调试技巧,旨在帮助开发者构建稳定、高效的智能体工作流。 阅读详情

面试现场

Plan-Execute-Replan 和 ReAct 有啥区别?

一个先规划再执行,一个边做边想。

那具体什么时候用哪个?

看任务复杂度吧,复杂的用前者,简单的用后者。

行,回去等通知吧——


到底怎么理解

两句话先记住:

  • ReAct:边想边做,每步单独决策,走一步看一步。
  • Plan-Execute-Replan:先想清楚再动手,有变化就重新规划。


Plan-Execute-Replan 三个阶段

Plan(规划) 接到任务后,先用 LLM 把任务拆解成一系列子任务。 比如"写一份竞品分析报告"会被拆成:搜索竞品 → 提取特性 → 对比分析 → 生成报告。

Execute(执行) 按顺序执行每个子任务,每个子任务可以调工具、调 API,或者交给子 Agent 执行。

Replan(重新规划) 执行中发现原计划不合适(某步失败了、环境变了),就动态调整计划。


一张表看清区别

维度ReActPlan-Execute-Replan
规划方式边想边做,每步单独决策先全局规划,再按规划执行
灵活性高,实时响应新信息中等,Replan 有一定滞后
适用场景动态交互、对话、网页浏览复杂多步任务、数据分析、报告生成
实现难度简单,Prompt 加几个示例就行稍复杂,需要规划解析和异常处理

真实场景:到底怎么选?

用 ReAct 的场景

  • “帮我查今天北京天气”——简单明确,一步到位
  • 网页浏览 Agent——需要根据页面内容动态决定下一步
  • 对话 Agent——根据用户实时反应调整回复

用 Plan-Execute-Replan 的场景

  • “帮我做一份上季度销售分析报告”——需要拆解成多个步骤
  • 代码生成 Agent——先规划整体架构,再逐步实现
  • 数据采集 Pipeline——有明确的执行顺序和依赖关系

组合使用 复杂任务可以粗粒度用 Plan-Execute-Replan 做规划,每个子任务用 ReAct 细粒度执行。

面试官爱问:能举个例子说明什么时候用 ReAct,什么时候用 Plan-Execute-Replan 吗? 答:简单明确的任务用 ReAct,复杂多步任务用 Plan-Execute-Replan,实际落地可以组合使用。


实在记不住,就背这句

ReAct 边想边做,适合动态任务;Plan-Execute-Replan 先规划再执行,适合复杂多步任务。实际落地可以组合使用。

学AI大模型的正确顺序,千万不要搞错了

🤔2026年AI风口已来!各行各业的AI渗透肉眼可见,超多公司要么转型做AI相关产品,要么高薪挖AI技术人才,机遇直接摆在眼前!

有往AI方向发展,或者本身有后端编程基础的朋友,直接冲AI大模型应用开发转岗超合适!

就算暂时不打算转岗,了解大模型、RAG、Prompt、Agent这些热门概念,能上手做简单项目,也绝对是求职加分王🔋

在这里插入图片描述

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料,手把手帮你快速入门!👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型(GPT、文心一言等)特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架(LangChain等)实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块,看似清晰好上手,实则每个部分都有扎实的核心内容需要吃透!

我把大模型的学习全流程已经整理📚好了!抓住AI时代风口,轻松解锁职业新可能,希望大家都能把握机遇,实现薪资/职业跃迁~

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

Agent智能体:Plan And Execute模式——复杂任务拆解与执行 本文摘要: 《Agent智能体:从原理到实战》模块五介绍了Plan-and-Execute模式,这是一种将复杂任务拆解为可执行子任务的智能体架构。模式通过分离规划与执行阶段实现高效任务处理:规划阶段生成完整计划,执行阶段按步骤调用工具,最后整合结果。文章详细阐述了其工作原理、系统设计(包含Planner、Executor、Plan和Step等核心组件)以及Python实现方案,包括类图、序列图和项目文件结构。这种模式相比逐步推理的ReAct具有全局优化、可解释性和执行效率等优势,适用于需要多步骤协作的场景。 阅读详情

相关推荐

OpenCV 开闭运算

开运算和闭运算是将腐蚀和膨胀按照一定的次序进行处理。 但这两者并不是可逆的,即先开后闭并不能得到原来的图像。 开运算 开运算是先腐蚀后膨胀,其作用是:分离物体,消除小区域。特点:消除噪点,去除小的干扰块,而不影响原来的图像。 闭运算 闭运算与开运算相反,是先膨胀后腐蚀,作用是消除/“闭合”物体里面的孔洞,特点:可以填充闭合区域。 cv.morphologyEx(img, op, kernel) img: 要处理的图像 op: 处理方式:若进行开运算,则设为cv.MORPH_OPEN,若进行闭

꧁༺ʚvv༒catɞ༻꧂的博客 950

从零推导 Plan-Execute (计划-执行) Agent

本文从第一性原理出发,逐步推导了Plan-Execute(计划-执行)Agent的设计演进过程: 基础原理:通过简单的for循环实现:生成计划→执行→更新计划"的基本流程 第一次演进:为解决控制流僵化和状态持久化问题,引入Graph和State抽象,将循环拆解为状态机的有向图结构 第二次演进:为应对大模型输出的不确定性,增加提示词模板和强制结构化解析器(Formatter & Parser) 映射到Eino实现

lifallen的博客 552

深度学习之基于Pytorch手指静脉识别系统(

一、项目背景与目标手指静脉识别技术是一种新兴的生物特征识别技术,它依据人类手指中流动的血液可吸收特定波长的光线这一科学原理,利用手指内的静脉分布图像来进行身份识别。与传统的生物识别技术(如指纹识别)相比,手指静脉识别技术具有不易伪造、识别精度高、非接触性等特点,因此在安全性要求较高的场景(如金融、医疗、公安等)具有广阔的应用前景。本项目旨在利用PyTorch深度学习框架,构建一套高效、准确的手指静脉识别系统。

Q1744828575的博客 835

AI 智能体的运行模式

不是的,这和模型的训练过程是没有关系的。随后,流程进入 “执行 - 调整” 的循环阶段:Agent 主程序将新生成的执行计划再次传递给执行 Agent,执行计划中的第一步(如 “查询 2025 年澳网男子冠军名字”),获取结果后加入历史执行记录,再将相关信息传给 Re-Plan 模型生成更新后的计划。这类模式暂无统一名称,各 Agent 实现存在差异,其中 LangChain 提出的 “Plan-And-Execute 模式” 较为典型,其核心是 “先规划,再执行,且能动态修改规划”,灵活性更高。

为了更好的思考 1124

从GWAS到单细胞:利用seismic包精准定位疾病相关的关键细胞亚群与驱动基因

本文详细介绍了如何利用seismic包将GWAS与单细胞测序数据结合,精准定位疾病相关的核心细胞亚群与驱动基因。通过创新的统计算法和实战案例,帮助研究者从遗传汇总数据中挖掘关键生物学机制,提升疾病研究的精准度和效率。

weixin_29215815的博客 444

对单周期 RISC-V 处理器进行扩展

对单周期 RISC-V 处理器进行扩展

xiaoxian666的博客 1484

LLM 开发模式 RAG,MRKL,Re-Act,Plan-Execute 模式对比

LLM 开发模式 RAG,MRKL,Re-Act,Plan-Execute 模式对比LLM 开发模式 RAG,MRKL,Re-Act,Plan-Execute 模式对比。

简简单单Onlinezuozuo 1896

告别CAPL编程!用Matlab/Simulink+CANoe实现复杂ECU仿真的5个技巧

本文介绍了如何利用Matlab/Simulink与CANoe进行联合仿真,以替代复杂的CAPL编程,高效实现复杂ECU仿真。文章分享了5个核心技巧,涵盖信号映射、模型编译集成、实时参数调整、性能优化及数据分析,帮助算法工程师构建稳定强大的仿真环境,显著提升开发与测试效率。

rgv234567的博客 298

AI Agent模型:Plan-and-Execute、ReAct、Function Calling

大模型Agents的技术,其实本质上就是写prompt,让模型仿照你的方式来进行执行的一种应用范式,prompt里面包含一些tools的描述,然后我们可以根据模型的输出使用一些外部tools(例如计算器,搜索API,数据库,程序接口,各种模型的API),能使用外部的API,知识库,只要写好prompt,智能体会调用LLM完成任务,形成用户需要的内容。

bingshiwuyu的专栏 1621

LEF文件介绍及其生成

介绍LEF文件及其生成方法

weixin_43249158的博客 3万+

课程1:认识Asp.net Core Web API

本文是《.Net Core从零学习搭建权限管理系统》教程专栏的导航站(点击链接,跳转到专栏主页,欢迎订阅,持续更新…)专栏介绍:以实战为线索,基于.Net 7 + REST + Vue、前后端分离,不依赖任何第三方框架,从零一步一步讲解权限管理系统搭建。专栏适用于人群:Web后端开发人员Web API是一个很广泛的概念,Asp.net Core Web API是.NET框架用于创建RESTful风格的项目、用于轻松构建可供多个客户端访问的HTTP服务。1、支持RestFul风格编程;

成长的足迹 1256

主流 Agent 模式对比:ReAct、Plan-and-Execute、Reflexion 等

AI Agent 的底层思维模式差异成为2026年的关键区分点。文章详细介绍了六种主流Agent模式:1)ReAct模式(边思考边行动,适合动态任务);2)Plan-and-Execute模式(先规划后执行,适合复杂项目);3)Reflexion模式(失败后反思改进,适合编程等易错任务);4)Tree of Thoughts模式(多方案并行评估,适合策略决策);5)Self-Refine模式(持续优化输出,适合内容创作);6)Multi-Agent模式(多智能体协作,适合企业级系统)。当前趋势是混合使用多种

花千树的专栏 960

EndNote X9 参考文献附录列表 格式调整

EndNote X9 插入参考文献常见问题总结

程序员,他们想的是什么?他们想的永远都是技术,他们崇尚的也永远都是技术。 2571

字节面试官问我“Plan-and-Execute比ReAct强在哪“,我说“名字比较长“,然后我被请出了会议室

本文对比了三种AI任务执行范式:ReAct、Plan-and-Execute和Reflection。ReAct采用边想边做的"外卖骑手"模式,适合简单灵活的任务;Plan-and-Execute则是先规划后执行的"项目经理"模式,更适合复杂长流程任务,能显著降低成本;Reflection并非独立流程,而是质量增强机制。文章通过代码示例和生活类比,分析了三者的核心逻辑、适用场景及优劣势,指出应根据任务复杂度选择合适的范式组合。

IT枫斗者的博客 542

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

[大模型面试系列] 吃透Agent三大核心范式,ReAct,Plan-and-Execute,Reflection面试与工程落地全解析

本文深入解析人工智能智能体开发的三大主流设计范式:ReAct、Plan-and-Execute和Reflection。ReAct采用边想边执行的灵活模式,适合轻量级任务;Plan-and-Execute通过先规划后执行的解耦方式,更适合复杂长流程任务;Reflection则是质量增强机制,用于修正输出错误。文章从核心原理、优劣势到适用场景进行了系统对比,指出三者并非并列关系而是互补配合:前两者解决任务执行问题,后者提升结果质量。最后强调工程实践中需根据任务复杂度、资源成本等实际需求进行范式选择和组合优化,才

小程故事多的博客 761

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

【agent第1篇】agent范式总结+面经

执行 → 反思 → 优化迭代循环。智能体像人类一样:先写初稿,再自我批判,然后修改,直到满意。核心价值:将“一次性生成”升级为“持续迭代优化”,显著提升输出质量范式核心流程一句话解释ReAct思考 → 行动 → 观察 → 思考 → ...边想边做,边做边改,依赖外部反馈先规划列表 → 再顺序执行 → 传递结果先画图纸,再施工,计划固定Reflection执行初稿 → 自我反思 → 优化 → 再反思写完初稿,自己当评委修改,内部迭代react:调用外部工具不断优化plan:先计划好再执行。

m0_56136663的博客 597

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

大模型面试题

这三个概念是粒度从小到大的三层结构Tools是最小的能力单元,封装好的可调用函数,比如搜索,执行代码、发邮件,只负责执行,没有决策能力Agent是一个完整的决策系统,内部用LLM做大脑,自己判断什么时候调用哪个Tool,要不要继续,什么时候结束、是主动的Workflow是更上层的编排框架,把Agent、LLM、Tools组织成一条确定性流程,每个节点做什么、按什么顺序流转都是开发者事先写死的tools =封装函数+说明书好的工具设计核心原则:职责单一,描述要精确,错误信息要清晰。

weixin_62899124的博客 295

Plan-and-Execute保姆级教程!从入门到精通,搞懂AI智能体的“思考”方式,看这篇就够了!

Plan-and-Execute是一种处理复杂任务的目标导向架构模式,通过"规划-执行-评估"的闭环流程提高效率。其核心优势在于:先通过规划器(使用强模型)将任务分解为结构化子任务并确定依赖关系,再由执行器(可使用弱模型)并行执行独立任务,最后根据执行情况动态调整计划。相比传统ReAct模式,该方法解决了迷失方向、效率低下等问题,特别适合多步骤的复杂任务。系统包含三大组件:规划器负责任务分解与工具映射,执行器实现智能调度,重规划器支持动态调整,三者协同工作形成完整闭环。该模式通过层次化规

m0_59235245的博客 1456

运维Agent(Python)

Plan-Execute-Replan是一种协作的任务执行模式,核心思路是:先规划、再执行、随时调整。Multi-Agent(多智能体)就是不是一个AI在单打独斗,而是多个AI各司其职、分工协作。每个Agent负责一个专门的职责,就像公司里不同岗位的同事配合完成一—个项目。

m0_73945675的博客 437

超越 ReAct:探寻Plan-And-Execute Agent的设计与实现原理

摘要:本文深入探讨了Plan-And-Execute智能体在处理复杂任务时的优势与实现机制。相比ReAct模式的即时反馈机制,该架构通过"先规划后执行"的解耦设计,实现了更高效的复杂任务处理。文章详细解析了其四大核心组件:规划器负责任务拆解、执行器完成具体操作、重新规划器动态调整方案、最终答案生成器整合输出结果。这种架构不仅避免了"只见树木不见森林"的短视问题,还支持差异化模型部署以优化成本。通过规划-执行-重新规划的闭环工作流,智能体能够灵活应对任务执行中的不确定性

听得到微笑的博客 2363

AI 大模型落地系列|Eino ADK体系篇:什么是 Eino ADK?

Eino ADK 不是单纯的多 Agent 协作框架,也不是单纯的 Agent 工具库;它是一套以 Agent 为核心抽象、同时覆盖单 Agent 构建、多 Agent 协作与运行时治理的开发框架。

2302_80067378的博客 825

从单 Agent 到多 Agent,理解智能体协作设计

今天继续学习 AI Agent,从单 Agent 进一步理解多 Agent 协作设计,重点梳理了 Supervisor、Planner、Executor、Plan-Execute-Replan、ReAct、outputKey、Flux、SSE 和 ChatMemory 等概念,逐步认识到 Agent 项目不仅是调用工具,更重要的是任务规划、状态传递、角色协作与上下文管理。

2503_92799922的博客 520

21st.dev 上手教程:12000+ React 组件库怎么用,6 步从挑样式到接进 Cursor

21st.dev 收录 12000+ 个 React + Tailwind 组件、297 套整站模板与 979 套主题。本文是手把手流程版:按页面用途找组件、用复制或 shadcn CLI 落地、接入 MCP 让 Cursor 自己取代码、用整站模板开局,附 10 张真实组件截图和 4 个常见坑。

懿轩的技术小窝 241

手搓 AI Agent 02:让模型第一次“动手“——Agent Loop 与 ReAct

本系列第2篇实现Agent核心循环——ReAct模式,让模型从“被动回答”变为“主动执行”。通过LLMClient工具调用能力,构建think → act → observe闭环,首次实现模型自主调用计算器、读取结果并继续推理。代码支持安全算术、步数限制与错误隔离,升级终端REPL为可观察的智能体交互界面。每步操作清晰可见,为后续多工具、规划与协作打下基础。

快乐来自程序里 150

成为全栈·Vue 管理后台篇·Naive UI 主题对齐:React 后台配色与明暗模式

本文根据 React 管理后台的蓝紫主色与浅/深色语义令牌,分析 Vue 后台如何用 CSS custom properties、Naive UI `NConfigProvider`、theme overrides、Pinia UI store 和系统媒体查询完成主题对齐。文章说明 CSS class 与 Naive UI darkTheme 必须同步,Markdown 编辑器/预览需要单独接入 resolvedTheme,并通过主题/侧栏持久化区分非敏感偏好与认证凭证。

FungLeo's Blog 315

React 项目集成网页打印控件:Hooks 封装全流程

把打印实例封成 usePrint,组件里一行调用,含完整可跑代码。本文结合具体场景讲清做法、常见问题与可复用的实现思路。

一天拉了7遍的博客 227
上一篇: RAG 高级技术与调优实战手册
下一篇: 京东三面:Function Calling 和 MCP 都能做工具调用,那具体什么场景下该选哪个?
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2841原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值