企业官网建设流程全解析

• 文档
• 教程
• AI Agent
• 人工智能

你是否希望 AI Agent 接到任务后，不是"想到哪做到哪"，而是先拿出一份清晰的执行计划，再一步步落地？这正是Agentic Design Patterns（智能体设计模式）一书中的Planning 规划模式要解决的问题：让智能体先把高层目标拆解成有序的、可执行的小步骤，从而稳定地完成复杂任务。

本文将从零基础视角讲清三件事：

• Planning 规划模式是什么，它和普通"一问一答"的 LLM 有何区别；
• 它如何运转：从"理解目标"到"生成计划"再到"执行并适应"的完整流程；
• 何时该用它，以及一个真实案例——Google Deep Research 是如何"先规划、再执行、最后出报告"的。

阅读前置：你只需知道LLM（大语言模型）和AI Agent（智能体，能感知环境并采取行动去达成目标的系统）这两个词即可，无需任何编程基础。

什么是 Planning 规划模式？

如果把一个AI Agent想象成一位"专业顾问"，Planning 规划模式描述的就是这样一种工作方式：

你只交代**"要什么"（目标与约束），比如"帮我组织一次 30 人的团队团建"，却不规定"怎么做"**。这位"顾问"会自己完成三件事：

1. 理解现状：预算多少、多少人、期望的日期；
2. 明确目标：一场成功预订、顺利落地的团建；
3. 寻找连接两者的行动序列：查场地 → 比价格 → 确认档期 → 发通知……

关键在于：计划不是提前写死的脚本，而是针对当前请求临时"算"出来的。这让它天然具备适应性——当首选场地满了，一个合格的规划型智能体不会直接失败，而是登记新约束、重新评估选项、换一套方案继续推进。

这也是它和"临场发挥"最本质的区别：规划模式 = 先想清楚路线，再出发。

为什么需要规划：AI Agent 的"临场发挥"困境

一个只会"反应式"行动的模型，遇到简单问题没问题，可一旦任务跨多步骤、有先后依赖，就容易"卡壳"。典型症状是：

• 顾此失彼：只做了一步就停下，漏掉后续环节；
• 顺序混乱：先发了通知，才去确认场地；
• 缺乏策略：面对模糊目标不知道从何下手，输出不完整甚至错误。

Planning 规划模式给出的标准解法是：让智能体先输出一份连贯的计划（把高层目标拆成可执行的子目标序列），再按序执行。大语言模型特别擅长这件事——凭借海量训练数据，它能生成合理且有效的分步方案，把一个"被动应答器"升级成"主动的战略执行者"。

规划如何运转：从目标到执行的完整流程

要直观理解 Planning 规划模式，先看AI Agent 的五步解题循环：拿到任务 → 摸清情况 → 想清楚 → 采取行动 → 复盘改进。其中**"想清楚"这一步，就是规划在发挥作用**。

图：智能体（Agentic AI）解决问题的五步循环，"Think It Through（想清楚）"正是 Planning 规划模式所在的位置。

一次典型的规划过程可以拆成四步：

实战案例：Google Deep Research 如何"先规划再执行"

Google Deep Research是 Planning 规划模式最直观的产品级示范：它先把你的一句提问拆成一份可审阅的研究计划，等你确认后再开始执行，最终产出带引用的结构化报告。整个过程可以看成"规划 → 执行 → 汇总"三段。

第一步：生成执行计划。比如问"欧洲的风投规模有多大、哪些国家在加速增长"，它不会直接搜，而是先给出一个包含"检索哪些网站、分析哪些维度、最后生成报告"的计划，并允许你编辑或微调这份计划——这让研究方向在执行前就能被协作打磨。

图：Deep Research 规划模式下，智能体先把提问拆解为一条可编辑的研究计划（Research Websites / Analyze Results / Create Report）。

第二步：按计划执行。批准计划后，智能体把Google Search 当作"工具"，循环地检索、筛选、发现知识缺口、补搜，逐步把几十上百个网页来源纳入视野。

图：计划进入执行阶段，智能体调用 Google Search 工具检索并汇总大量网页来源。

第三步：汇总成报告。执行结束后，它不只是罗列发现，而是做批判性评估，提炼主题、组织成连贯的多页报告，并附上全部来源引用，方便核查与延伸阅读。

图：Planning 规划模式的最终产物——一份结构清晰、带来源引用的深度研究报告。

从"生成计划"到"执行计划"再到"输出报告"，正是 Planning 规划模式完整闭环的最佳演示。

何时该用 Planning 规划模式（判断标准）

一句话决策："怎么做"是已知的，还是需要被发现的？

• 该用规划模式：任务跨多步、有依赖、环境动态变化。例如生成详细研究报告、新员工入职流程编排、竞品分析、多步骤故障排查。
• 不必用规划模式：解法已经很成熟、可重复，此时用固定工作流限制智能体自由度更稳妥——能降低不确定性、保证结果一致。

书中给出的经验法则（rule of thumb）是：当用户请求复杂到无法用单个动作或单个工具完成时，就用 Planning 规划模式，让它把高层目标拆解成一串相互依赖、有序执行的子任务。可对照第6章"经验法则"原文。

如何动手上手（CrewAI 轻量思路）

书中用CrewAI框架演示了一个"先规划、再写作"的智能体，思路其实很朴素，无需看懂代码也能理解：

1. 定义角色：给智能体一个身份——"文章规划者与写作者"，强调"先出清晰可执行的计划，再动笔"；
2. 定义任务：要求它"① 先写出要点式计划；② 再依据计划写出约 200 字的总结"，并规定输出要分成"Plan"和"Summary"两块；
3. 按序执行：把角色和任务组装成一个顺序流程，一次性"点火"运行。

这套做法的精髓是：用提示词显式地"要求"它先规划——在框架里，明确提示或设计任务去需要规划步骤，就能引导智能体表现出这种行为。

延伸阅读与文件导航

想进一步深入，可按下面路径在项目中对照阅读：

• 第6章 Planning 规划模式（本文核心来源）：Chapter_6-Planning
• 什么才是一个真正的 AI Agent（五步循环与复杂度分级）：What makes an AI system an Agent
• 全书目录与 21 个核心模式总览：README
• Agentic Design Patterns 21 种模式全景图：模式全景图

小结

Planning 规划模式是把AI Agent从"反应式应答器"升级为"目标导向的战略执行者"的基石：

• 它让智能体先拆解、后执行，把模糊的大目标变成有序的可执行步骤；
• 它自适应——计划只是起点，遇阻会重新评估并改道；
• 判断是否使用它，只需问一句："怎么做"是已知的，还是需要被发现的？

告别"临场发挥"，从让智能体先想清楚路线，再出发开始。

• 文档
• 教程
• AI Agent
• 人工智能