---

1、什么是 Agent 的规划能力

Agent 的规划能力，指的是把一个模糊的、复杂的目标，拆解成可执行、有顺序、有依赖关系的子任务，并在执行过程中根据反馈动态调整的能力。

它包含几个层面：

• 任务分解：把“帮我规划杭州三日游”拆成查天气、查交通、选景点、排行程、算预算。
• 依赖管理：先查天气再选景点，先订票再排行程。
• 动态调整：执行中发现景点闭馆，能重新规划。
• 进度评估：知道当前做到哪一步，还剩什么。

没有规划能力的 Agent，只能做单步反应式问答；有规划能力，才能完成长链条任务。

2、ReAct：推理与行动交替

核心机制：ReAct = Reasoning + Acting，让模型在每一步交替进行“思考”和“行动”。

• Thought：分析当前状态，决定下一步做什么。
• Action：调用工具（搜索、API、计算器）。
• Observation：获取工具返回结果，进入下一轮思考。

循环直到任务完成或达到最大步数。

适合什么任务：

• 工具调用型任务：需要查询外部 API、数据库、搜索引擎。
• 信息查找与问答：多跳检索、事实核查。
• 动态环境：每一步的结果会影响下一步决策。
• 中小规模任务：3~10 轮迭代能完成的任务。

主要缺陷：

• 短视：每步只看当前，缺乏全局规划，可能走弯路。
• 循环与死锁：可能反复调用同一个工具或陷入无效循环，必须设 max_steps。
• 成本随步数线性增长：步数越多，token 消耗越大。
• 对模型能力有要求：小模型（4B 以下）容易格式混乱或循环。

一句话：ReAct 是“边想边做”，灵活但缺全局视野，适合工具调用和动态任务。

3、Plan-and-Execute：先规划，再执行

核心机制：先用一次 LLM 调用生成完整的计划（任务列表或依赖图），然后按计划逐步执行。

• Plan：把任务拆成有序步骤，可以带依赖关系。
• Execute：逐步执行，必要时可以重新规划。

与 ReAct 的关键区别：规划发生在执行之前，不是每步都重新想全局。

适合什么任务：

• 步骤可预测的多步工作流：如“查数据→清洗→分析→生成报告”。
• 需要可见性和可控性的任务：企业流程、审批流。
• 步骤之间有明确依赖：某些步骤必须先完成。
• 长链条任务：减少每步重新推理的开销。

主要缺陷：

• 计划可能过时：执行中发现环境变化（工具失败、结果出乎意料），原计划不再适用，需要重新规划。
• 前期规划质量决定上限：如果 plan 本身错了，执行再好也没用。
• 对模型结构化输出能力有要求：生成可靠的任务列表/JSON 需要较强模型，小模型容易格式错误。
• 缺乏中途观察：纯 Plan-and-Execute 在执行中不看中间结果，遇到意外无法反应。

一句话：Plan-and-Execute 是“先画图纸再施工”，适合可预测的多步流程，但对意外反应慢。

4、Reflexion：自我反思与迭代改进

核心机制：Reflexion 不更新模型权重，而是通过语言反馈让 Agent 从失败中学习。

• 完成一次任务（或失败后），Agent 评估结果。
• 生成一段“反思文本”：哪里做错了，下次怎么改。
• 把反思存入记忆，下一次尝试时参考。
• 多次迭代，逐步改进。

代表成果：在 HumanEval 代码生成上，Reflexion 达到 91% pass@1，超过当时 GPT-4 的 80%。

适合什么任务：

• 质量优先、可容忍多次尝试的任务：代码生成、复杂推理。
• 有明确反馈信号的任务：编译错误、测试失败、答案对错。
• 事实性问答：需要高准确率，可以多轮修正。
• 单次做不好的困难任务：Reflexion 通过迭代弥补。

主要缺陷：

• 成本高：多次尝试，token 消耗可能是 ReAct 的 3~5 倍甚至更多。
• 依赖反馈信号：没有好的反馈（对错信号），反思质量差。研究中的高准确率往往依赖 ground-truth 停止条件，实际部署中可能达不到。
• 反思可能污染：低质量的反思存入记忆，会误导后续决策。
• 延迟高：多轮迭代，不适合实时场景。
• 对模型能力要求最高：需要模型能生成有意义的自我批评，小模型效果差。

一句话：Reflexion 是“做完复盘再重做”，质量高但贵且慢，适合能接受多次尝试的高价值任务。

5、三种模式对比总结

选型建议：

• 默认用 ReAct，简单有效，覆盖大多数工具调用场景。
• 任务步骤可预测、需要可见性时，用 Plan-and-Execute。
• 质量比速度重要、且有反馈信号时，用 Reflexion。
• 实际系统可以组合：Plan-and-Execute 做骨架，ReAct 处理执行中的意外，Reflexion 做最终质量把关。

6、一句话总结

Agent 规划能力是把复杂目标拆成可执行步骤并动态调整的能力。ReAct 边想边做，灵活但短视，适合工具调用；Plan-and-Execute 先规划再执行，有全局视野但对意外反应慢，适合可预测流程；Reflexion 通过语言反思迭代改进，质量高但贵且慢，适合质量优先的可迭代任务。实际选型看任务确定性、成本预算和质量要求。

7、这道面试题的质量点评

优点

• 结构完整：定义 → 三种模式对比 → 缺陷，逻辑闭环。
• 区分度好：
  • 初级：能说三种模式是什么。
  • 中级：能说各自适合任务和基本缺陷。
  • 高级：能说成本权衡、模型规模要求、组合使用、实际部署中的反馈依赖问题。
• 贴近前沿：Agent 规划是当前最热的应用层话题。
• 有追问空间：可以追问具体实现、成本数据、模型选型、组合策略。

缺点

• 偏开放：三种模式信息量大，容易泛泛而谈。
• 容易背名词：可能只列模式名和一句话定义，说不清取舍。
• 缺少场景：没问“你实际项目用哪种？为什么？”
• 没覆盖更新的变体：如 Plan-Execute-Reflect、Tree-of-Thought 等。

总体评价

质量：上。 适合中高级岗位，能有效区分“知道几个 Agent 名词”和“真正理解规划模式取舍”的人。建议追问：

“你实际项目用哪种？为什么不用另一种？”

“ReAct 循环怎么防？max_steps 怎么定？”

“Reflexion 的成本你测过吗？和 ReAct 差多少？”

“Plan-and-Execute 执行中计划失效怎么办？”

“小模型能用哪些模式？”

8、怎么回答才是最好的

回答原则

• 先给规划能力定义：拆解、依赖、动态调整。
• 每种模式讲清：机制、适合任务、主要缺陷。
• 对比要有维度：成本、延迟、全局视野、对意外的反应。
• 主动提组合和选型：实际系统往往不是单一模式。
• 结合实践：说“我们默认 ReAct，复杂流程用 Plan-Execute”。

推荐回答结构

“Agent 的规划能力是把模糊目标拆成可执行步骤，管理依赖，并在执行中根据反馈调整。没有规划，只能做单步反应。”

“ReAct 是边想边做，每步 Thought-Action-Observation 循环。适合工具调用和动态查询，灵活但短视，容易循环，必须设 max_steps。成本低，4B 模型就能跑。”

“Plan-and-Execute 是先规划再执行。适合步骤可预测的多步流程，有全局视野。但计划可能过时，执行中遇到意外反应慢，需要重新规划。对模型结构化输出能力有要求。”

“Reflexion 是做完复盘再重做。通过语言反思迭代改进，适合代码生成、事实问答这种质量优先的任务。HumanEval 上能到 91% pass@1。但成本高，依赖好的反馈信号，实际部署中如果没有 ground-truth，效果会打折扣。”

“实际选型：默认 ReAct，简单够用；流程确定性强用 Plan-Execute；质量关键且有反馈用 Reflexion。也可以组合，Plan-Execute 做骨架，ReAct 处理意外。我们项目默认 ReAct，复杂流程上 Plan-Execute。”

加分点

• 提到 Thought-Action-Observation、max_steps、循环问题。
• 提到 Reflexion 的 91% HumanEval、成本 3-5 倍、依赖反馈。
• 提到 Plan-and-Execute 的计划过时、模型规模要求。
• 提到 组合使用、按任务确定性选型。
• 结合真实项目经验。

减分点

• 只说“ReAct 是推理加行动”，不展开。
• 不知道 Reflexion 的成本问题。
• 不知道 Plan-and-Execute 需要重规划。
• 说“Reflexion 一定比 ReAct 好”。
• 不提 max_steps 和循环防护。

---

---