Agent 学习笔记 08：Agent 是怎样规划的：ReAct、任务分解与反思

面对“调研三家竞品并给出上线建议”这类任务，如果让模型一次性生成答案，很容易得到一篇结构完整、证据却松散的作文。规划的作用，是把模糊目标变成一组能执行、能检查、能恢复的步骤。

ReAct：边观察边决定下一步

ReAct 把推理与行动交替组织。Agent 先判断当前缺少什么，再调用搜索、数据库或代码工具，观察结果后更新下一步。关键并不是展示冗长思维链，而是保留可审计的动作依据和观察结果。

目标 -> 判断信息缺口 -> 调用工具 -> 观察结果 -> 修正行动 -> 输出

任务分解要体现依赖关系

“查资料、做比较、写报告”只是列表，不一定是好计划。更好的拆分会声明输入和验收条件：先确定比较维度，再为每个维度收集证据；证据不足则回到检索；事实表通过校验后，才进入建议生成。这样某一步失败时只需恢复对应节点。

反思应该放在关键检查点

反思不是无限追加一句“请再检查”。可以在计划生成后检查覆盖范围，在工具执行后检查结果质量，在最终输出前检查约束和引用。每个检查点都应有明确问题，例如“每个结论是否至少有一条证据支持”“是否遗漏用户指定的时间范围”。

避免规划本身成为成本黑洞

计划过细会增加调用次数和 token，过粗则无法定位错误。高风险、强依赖、有副作用的步骤适合拆细；纯格式转换或短摘要可以合并。还要设置最大步骤数、连续无进展次数和退出条件，防止 Agent 一直搜索、反思、再搜索。

这章给我的启发

规划不是让模型显得更会思考，而是让复杂任务具备状态、验收和恢复能力。真正可用的 Agent，不只会提出下一步，还知道何时这一步已经足够好。