---

一、核心定位：三者是 Agent 系统的三大支柱

这三者是 Agent 系统的三大核心支柱。它们的关系可以这样理解：

• Planning 是“大脑的决策层”：负责决定“做什么、以什么顺序做”。
• Memory 是“大脑的信息层”：负责提供“已知什么、经历过什么”。
• Tool Use 是“大脑的执行层”：负责完成“具体怎么做”。

协同的核心逻辑：

Memory 为 Planning 提供决策依据，Planning 决定调用什么 Tool，Tool 的执行结果反过来更新 Memory，从而形成闭环。

可以用以下公式表达三者的关系：

$$ \text{Agent 表现质量} = f(\text{Planning 质量}, \text{Memory 相关性}, \text{Tool 可靠性}) $$

其中任何一个环节失效，整个 Agent 的表现都会受到严重影响。

---

二、具体协同流程

1. 任务接收阶段

• Planning 接收任务，首先向 Memory 查询：有没有类似任务的历史经验？有没有相关知识和技能？
• Memory 返回检索结果（历史成功案例、失败教训、可用技能）。
• Planning 基于这些信息制定初步计划。

2. 计划制定阶段

• Planning 生成任务分解方案。
• 对每个子任务，Planning 需要判断：需要什么工具？Memory 中有没有关于这个工具的使用经验？
• Memory 提供工具使用历史（哪个工具好用、参数怎么设置、有什么坑）。
• Planning 据此调整计划，选择最合适的工具。

3. 执行阶段

• Planning 按顺序执行子任务，每个子任务通过 Tool Use 完成。
• Tool 执行前，Planning 从 Memory 中检索该工具的调用格式和注意事项。
• Tool 执行后，结果返回给 Planning。

4. 结果处理阶段

• Planning 评估工具返回结果：成功？失败？部分成功？
• 如果失败，Planning 查询 Memory：历史上类似的失败是怎么处理的？有没有替代方案？
• Planning 决定：重试、换工具、换策略、还是请求人工。

5. 学习更新阶段

• 任务完成后，整个执行轨迹写入 Memory。
• Planning 触发反思：哪些步骤有效？哪些失败？下次如何改进？
• Memory 更新经验库、技能库、能力画像。

---

三、一个具体例子：爬取电商网站商品价格数据

任务：爬取某个电商网站的商品价格数据。

协同过程如下所示：

第一步：Planning 向 Memory 查询历史经验

• Planning：我之前做过类似任务吗？
• Memory 返回：三个月前做过类似爬虫，但那个网站已经改版，经验部分失效。

第二步：Planning 制定计划

先尝试直接请求，如果被反爬拦截，再使用无头浏览器。

关键点：这个决策依据来自 Memory 中存储的历史教训，而不是凭空猜测。

第三步：Planning 调用 Tool Use 执行

• Planning → Tool Use：调用 HTTP 请求工具
• Tool 返回：403 Forbidden

第四步：Planning 再次查询 Memory

• Planning：遇到 403，历史经验怎么说的？
• Memory 返回：设置 User-Agent，降低请求频率，必要时使用代理 IP。

第五步：Planning 调整策略后重新调用 Tool

• Planning → Tool Use：重新请求，带上 User-Agent
• Tool 返回：成功，拿到 HTML 页面。

第六步：Planning 查询 Memory 获取解析经验

• Planning：这个 HTML 结构里价格数据在哪？
• Memory 返回：上次的经验是价格在 JSON 接口里，不在 HTML 中。

第七步：Planning 调用正确的 Tool

• Planning → Tool Use：调用 JSON 接口
• Tool 返回：成功获取价格数据。

第八步：任务完成，Planning 触发反思并更新 Memory

• 将“该网站价格在 JSON 接口”这一新经验写入 Memory。

协同闭环完成：

Planning 决策 → Tool 执行 → 结果反馈 → 查询 Memory → 调整决策 → 再次执行 → 更新 Memory

---

四、三者的依赖关系

依赖方向	关系说明
Planning → Memory	Planning 依赖 Memory 提供决策依据，没有 Memory 的 Planning 是“瞎规划”，每次从零开始，重复犯错
Planning → Tool Use	Planning 依赖 Tool Use 落地执行，没有 Tool Use 的 Planning 是“空想”，计划无法实现
Tool Use → Planning	Tool Use 依赖 Planning 的调度，没有 Planning 的 Tool Use 是“乱调用”，不知道何时用什么工具
Memory → Planning + Tool Use	Memory 依赖 Planning 和 Tool Use 的执行过程来积累内容，没有执行就没有经验可存

一句话总结：

Planning 是决策者，Memory 是顾问，Tool Use 是执行者。决策者向顾问咨询，然后指挥执行者干活，执行的结果和经验再反馈给顾问存档。

---

五、协同中的关键设计问题

1、Memory 检索不到相关经验时，Planning 怎么办？

策略：

• 降级为通用策略（使用 LLM 的常识推理）
• 标记为“探索模式”，执行后重点记录经验
• 如果任务风险高，请求人工确认

2、Tool 返回结果与 Planning 预期不符时，如何处理？

策略：

• 检查 Tool 调用参数是否正确
• 查询 Memory 是否有类似的异常情况记录
• 判断是 Tool 失效、环境变化、还是 Planning 的判断错误
• 根据判断结果决定：重试、换工具、换策略、请求人工

3、如何避免 Planning 过度依赖 Memory 中的过时经验？

策略：

• 为每条经验设置时效性标记
• 定期验证经验的有效性
• 当经验与当前执行结果冲突时，优先相信当前结果
• 对经验设置置信度衰减机制

4、三者协同中，哪个环节最容易出问题？

实践观察：

失效环节	典型表现	影响
Memory 检索不相关	注入无关经验，干扰 Planning 决策	计划质量下降
Planning 过度自信	忽略 Memory 中的警告，强行执行	重复历史错误
Tool 返回格式异常	Planning 无法解析结果，陷入循环	任务卡死
Memory 更新不及时	新经验未入库，下次任务仍犯同样错误	学习闭环断裂

最常见的失效点：Memory 检索质量。检索不相关比不检索更糟糕，因为它会主动干扰 Planning 的决策。

---

六、这个问题适合做面试题吗？

非常适合，而且是一道核心面试题。

它能考察的能力

考察维度	具体内容
系统架构理解	是否理解 Agent 不是单个 LLM 调用，而是多组件协同系统
闭环思维	是否理解“执行 → 反馈 → 更新”的循环本质
实战经验	是否真的构建过 Agent，还是只停留在理论层面
问题定位能力	当 Agent 表现不佳时，能否判断是 Planning 的问题、Memory 的问题、还是 Tool 的问题
权衡思维	是否理解三者之间的依赖和约束关系

区分度分析

• 初级候选人会说：“Planning 负责分解任务，Memory 存信息，Tool 执行。”——停留在概念层面。
• 中级候选人会说：“Planning 查询 Memory 获取经验，然后调用 Tool 执行，结果存回 Memory。”——理解了基本循环。
• 高级候选人会讲：
• 协同细节和循环反馈机制
• 各组件失效时的降级策略
• 冲突处理（过时经验 vs 当前结果）
• 检索质量对 Planning 的干扰问题
• 实践中遇到的具体失败案例和解决方案

建议的追问方向

1. “如果 Memory 检索不到相关经验，Planning 应该怎么办？”
2. “Tool 返回的结果与 Planning 的预期不符，应该怎么处理？”
3. “如何避免 Planning 过度依赖 Memory 中的过时经验？”
4. “三者的协同中，哪个环节最容易出问题？你在实践中遇到过吗？”
5. “如果 Agent 陷入死循环，你如何判断是 Planning 的问题还是 Tool 的问题？”

---

七、核心结论

三者的协同本质是一个信息闭环：

┌─────────────────────────────────────────────┐
│            Planning-Memory-Tool 协同环        │
├─────────────────────────────────────────────┤
│                                             │
│   ┌──────────┐                              │
│   │ Planning │ ← 决策层                      │
│   └────┬─────┘                              │
│        │                                    │
│   查询 ↓   ↑ 写入                           │
│        │   │                                │
│   ┌────┴─────┐     ┌──────────┐            │
│   │  Memory  │ ←→  │ Tool Use │            │
│   │ 信息层    │     │ 执行层    │            │
│   └──────────┘     └──────────┘            │
│                                             │
└─────────────────────────────────────────────┘

最终结论：Planning 是决策者，Memory 是顾问，Tool Use 是执行者。三者协同的质量决定了 Agent 的整体表现。其中 Memory 的检索质量是整个闭环中最容易被忽视、但影响最大的环节。

这是一道能有效区分 Agent 系统设计能力的好题。

---

---