规划（Planning）| Agentic Design Patterns | 智能体设计模式

导语

告诉智能体“做什么”和“怎么做”，只能处理简单任务。规划（Planning）模式让智能体自主将复杂目标拆解为可执行步骤序列，动态调整策略，实现深度研究、流程自动化、客户支持等复杂场景。本文介绍规划的核心机制、深度研究系统对比、实战案例与设计原则，适合需要构建自主智能体的开发者与产品经理。

TL;DR

• 核心：规划是将复杂目标拆解为可执行步骤序列的能力，包含理解初始状态、定义目标状态、制定计划、执行步骤、动态调整五个环节。
• 价值：从被动响应转变为主动战略执行者，处理多步骤复杂任务，遇到障碍时动态调整策略。
• 机制：简单执行是“做什么+怎么做”，规划是只告诉“做什么”，智能体自己决定“怎么做”。
• 系统：Google DeepResearch（大规模网络研究）、OpenAI Deep Research API（编程控制）、Perplexity Deep Research（快速交互）。
• 边界：解决方法已知且可重复时用固定流程更好；需要探索“如何做”时用规划模式。
• 延伸：与工具使用、多智能体协作、目标监控配合使用。

---

是什么：规划的核心定义

规划（Planning）：智能体将复杂的高层目标拆解为多个可执行的具体步骤，并按逻辑顺序执行这些步骤以实现目标的能力。规划使智能体从被动响应转变为主动战略执行者。

关键机制（五步流程）：

1. 理解初始状态 → 明确当前情况和约束
2. 定义目标状态 → 明确要达成的结果
3. 制定计划 → 拆解为多个步骤
4. 执行步骤 → 按顺序完成各个子任务
5. 动态调整 → 遇到障碍时重新规划

规划 vs 简单执行：

• 简单执行：你告诉智能体「做什么」和「怎么做」
• 规划：你只告诉「做什么」，智能体自己决定「怎么做」

可视化示意图：

图1：Google 深入研究智能体使用 Google 搜索引擎作为工具，生成详细的执行计划

读图要点：智能体将研究任务拆解为多个子问题，并行搜索并整合结果。

图2：深入研究计划执行示例 – 展示从问题拆解到最终报告的完整流程

图3：规划设计模式 – 从初始状态到目标状态的路径规划

常见误解澄清：

• ❌ 规划就是列出步骤：规划包含动态调整，遇到障碍时重新规划。
• ❌ 所有任务都需要规划：简单单步骤任务直接执行即可，规划适用于多步骤复杂任务。
• ❌ 规划会增加很多延迟：对复杂任务而言，有计划的执行通常比盲目尝试更高效。

---

为什么：产生背景与适用场景

产生背景

无规划的问题：

• 无法处理多步骤复杂任务：单次调用无法完成需要多步推理的任务。
• 遇到障碍就失败：无法动态调整策略，找替代方案。
• 只能被动响应：缺乏主动制定策略的能力。
• 难以管理依赖关系：无法按逻辑顺序处理任务依赖。

规划模式的优势：

• ✅ 拆解为可管理的小步骤
• ✅ 动态调整，找替代方案
• ✅ 主动制定策略
• ✅ 按逻辑顺序处理依赖

核心思想：先思考再行动，把「做什么」转化为「怎么做」。

关键权衡：灵活性 vs 可预测性

• 当解决方法已知且可重复 → 用固定流程更好
• 当需要探索「如何做」→ 用规划模式

典型应用场景

场景 1：流程自动化

问题：新员工入职需要多个步骤协调。

解决方案：

目标: 新员工入职
计划: 创建账户 → 分配培训 → 协调各部门 → 发放设备 → 完成入职

价值：自动化复杂业务流程，减少人工干预。

场景 2：研究报告生成

问题：撰写竞品分析报告需要收集、归纳、结构化多个信息源。

解决方案：

目标: 撰写竞品分析报告
计划: 信息收集 → 数据归纳 → 结构化内容 → 迭代打磨 → 最终报告

价值：系统化信息整合，提升报告质量。

场景 3：深度研究（核心案例）

问题：研究复杂主题需要拆解子问题、搜索来源、评估相关性、发现知识盲点。

解决方案：

目标: 研究复杂主题
计划: 拆解子问题 → 搜索来源 → 评估相关性 → 发现知识盲点 → 后续搜索 → 整合报告

典型系统：Google DeepResearch、OpenAI Deep Research、Perplexity Deep Research。

价值：自动化原本需要数小时的人工研究。

---

怎么做：深度研究系统对比与实现

深度研究系统对比

系统	核心能力	特色功能	适用场景
Google DeepResearch	迭代搜索+整合	异步长时运行、可审阅计划	大规模网络研究
OpenAI Deep Research API	编程接口控制	透明中间步骤、MCP扩展	企业集成、私有数据
Perplexity Deep Research	实时交互式研究	快速响应、对话式	快速查询和验证

Google DeepResearch 特点

工作流程：

1. 拆解用户提示为研究计划
2. 用户审阅并修改计划
3. 迭代搜索与分析循环
4. 动态调整查询，发现知识盲点
5. 整合为结构化多页报告
6. 包含引用、图表、音频概述

关键优势：

• 处理数百个来源
• 异步执行，抗单点故障
• 整合私有文档
• 完整引用来源，透明可验证

OpenAI Deep Research API 特点

核心价值：

response = client.responses.create(
    model="o3-deep-research-2025-06-26",
    input=[system_message, user_query],
    tools=[{"type": "web_search_preview"}]
)

独特功能：

• 暴露所有中间步骤（推理、搜索、代码）
• 支持 MCP 连接私有知识库
• 内联引用与元数据
• 编程控制整个流程

实现要点

1. 清晰的目标定义：明确初始状态和目标状态

# 示例：定义研究目标
research_goal = {
    "initial_state": "用户需要了解量子计算对密码学的影响",
    "target_state": "生成一份包含最新研究、实际案例、未来趋势的综合报告",
    "constraints": ["时间：2小时", "来源：学术论文+新闻"]
}

2. 步骤拆解能力：LLM 擅长生成合理的计划

# 示例：规划步骤
plan = [
    "步骤1：搜索量子计算最新进展",
    "步骤2：查找密码学相关研究",
    "步骤3：分析两者关联性",
    "步骤4：评估实际影响案例",
    "步骤5：预测未来趋势",
    "步骤6：整合为报告"
]

3. 动态调整机制：能根据执行结果修改计划

# 示例：动态调整
if search_results.empty():
    # 发现知识盲点，调整搜索策略
    plan.append("步骤7：使用不同关键词重新搜索")

4. 依赖关系管理：按逻辑顺序执行

# 示例：依赖管理
dependencies = {
    "步骤2": ["步骤1"],  # 步骤2依赖步骤1完成
    "步骤4": ["步骤2", "步骤3"],
    "步骤6": ["步骤1", "步骤2", "步骤3", "步骤4", "步骤5"]
}

---

对比与取舍：主流框架选型

框架对比表

框架	规划实现方式	特色	适用场景
CrewAI	Agent 生成计划并执行	高层抽象，简单易用	快速原型，内容生成
LangGraph	显式定义规划节点	图结构，可视化	复杂多步骤工作流
Google ADK	结合工具的多步骤执行	与 Google 生态集成	企业级应用

选型建议

选择 CrewAI 如果：

• 需要快速原型开发
• 内容生成类任务
• 高层抽象足够

选择 LangGraph 如果：

• 需要可视化工作流
• 复杂状态转换
• 需要精确控制

选择 Google ADK 如果：

• 使用 Google Cloud 服务
• 企业级集成需求
• 需要异步长时运行

---

常见错误与排错

典型坑位

问题	症状	识别方法	修复建议
计划质量差	步骤不合理或遗漏	检查计划是否覆盖所有必要环节	清晰的目标描述，让用户审阅计划
无法动态调整	遇到障碍就失败	观察是否重新规划	设计重新规划机制
过度规划	步骤过多，效率低	检查步骤数量	设置最大步骤数限制
依赖关系混乱	步骤执行顺序错误	检查依赖关系	明确依赖关系，按顺序执行

调试技巧

1. 让用户审阅计划：在 Google DeepResearch 中，用户可以审阅并修改计划。
2. 验证每步结果：执行中验证每步结果，确保质量。
3. 记录规划过程：记录规划决策过程，便于优化。

---

FAQ

Q1：规划会增加多少延迟？
A：会增加。需要先生成计划，再执行。但对复杂任务而言，有计划的执行通常比盲目尝试更高效。

Q2：如何确保计划质量？
A：1) 清晰的目标描述；2) 让用户审阅计划再执行（如 Google DeepResearch）；3) 执行中验证每步结果。

Q3：计划失败怎么办？
A：设计重新规划机制。当某步失败时，智能体应能识别问题并生成替代计划。

Q4：规划适合实时场景吗？
A：不太适合。规划需要时间，更适合异步或批处理场景。实时场景用预定义流程更好。

Q5：如何避免过度规划？
A：设置最大步骤数限制，或在提示词中要求"简洁高效的计划"。

---

总结

规划是智能体从被动响应转变为主动战略执行者的核心能力。通过清晰的目标定义、合理的步骤拆解、动态调整机制和依赖关系管理，可以构建稳定、可扩展的规划系统。深度研究系统（Google DeepResearch、OpenAI API、Perplexity）展示了规划在实际应用中的强大能力。