PythonAI算法
大模型驱动下 Agent 任务规划的 10 种创新方式
本文探讨了基于大模型的 Agent 任务规划核心机制，涵盖规划、工具、执行与记忆四大组件。重点解析了 ReAct 框架如何通过推理与行动协同提升问题解决能力，并通过代码示例展示了 Agent 的基本构建流程。文章详细阐述了包括零样本提示、思维链、思维树、思维图谱在内的十种主流任务规划策略，分析了各自适用场景与优劣，为复杂任务拆解与自动化决策提供了理论依据与实践参考。
本文探讨了基于大模型的 Agent 任务规划核心机制，涵盖规划、工具、执行与记忆四大组件。重点解析了 ReAct 框架如何通过推理与行动协同提升问题解决能力，并通过代码示例展示了 Agent 的基本构建流程。文章详细阐述了包括零样本提示、思维链、思维树、思维图谱在内的十种主流任务规划策略，分析了各自适用场景与优劣，为复杂任务拆解与自动化决策提供了理论依据与实践参考。
基于大模型的智能体（Agent）基本组成通常包含规划（Planning）、工具（Tools）、执行（Action）和记忆（Memory）四个方面。其中，规划能力被视为关键的组件之一，用于将复杂任务拆解为更小、可管理的子任务，这对有效可控地处理复杂任务效果显著。
在日常工作中，我们通常将一项任务拆解成几个步骤：制定计划、执行计划、检查结果，然后将成功的作为标准，未成功的则留待下一次循环解决。这种方法已经被证明是高效完成任务的经验总结，即 PDCA 循环。
PDCA 是美国质量管理专家休哈特博士提出的，由戴明采纳、宣传，获得普及，所以又称戴明环。基于 PDCA 模型可以将一般项目分为四个阶段，即 Plan(计划)——Do(执行)——Check(检查)——Act(处理)。把一件事情做出计划、然后实施计划、检查计划分析哪些出现了问题并提出解决方案、然后成功的纳入标准，不成功的进入下一个循环去解决，循环往复，从而形成一套标准化的流程。
Agent 的执行过程与人做事的方式类似，其中最有名的就是 ReAct 框架的思路。它来自论文《ReAct：在语言模型中协同推理与行动》，作者发现让 Agent 执行下一步行动的时候，加上大模型自己的思考过程，并将思考过程、执行的工具及参数、执行的结果放到提示词中，就能使得模型对当前和先前的任务完成度有更好的反思能力，从而提升模型的问题解决能力。
比如斯坦福 AI 小镇项目、AutoGPT 等去年大火的 Agent 的项目，都可看到 ReAct 的思路。LangChain 框架中直接以 ReAct 为基础定义了几种代表性 Agent（CONVERSATIONAL_REACT_DESCRIPTION、ZERO_SHOT_REACT_DESCRIPTION 等）。
Thought: … Action: … Observation: … …(重复以上过程，即表示 ReAct 的工作过程）
下面通过代码构建一个最基本的 Agent。这里有必要提前了解几个关键概念，有助于更好地理解 Agent 的工作过程。
AgentAction：它主要包含两部分信息，tool 表示 Agent 将要调用的工具的名称，tool_input 表示传递给这个工具的具体输入。
AgentFinish：它有一个 return_values 参数，是一个字典，该字典的 output 值表示要返回给用户的字符串信息。
intermediate_steps：表示 Agent 先前的操作及其相应的结果。它是一个列表，列表中的每个元素是一个包含 AgentAction 和其执行结果的元组，这些信息对于未来的决策非常重要，因为它让 Agent 了解到目前为止已经完成了哪些工作。
定义 Agent 要调用的工具，一个用于获取句子中不同汉字的数量的函数，同时将工具函数绑定到模型上。
def count_unique_chinese_characters(sentence):
"""用于计算句子中不同汉字的数量"""
unique_characters = set()
for char in sentence:
if '\u4e00' <= char <= '\u9fff':
unique_characters.add(char)
return len(unique_characters)
# 将工具函数绑定到模型上
llm_with_tools = llm.bind(functions=[format_tool_to_openai_function(count_unique_chinese_characters)])
定义一个 Agent，用于处理用户输入、大模型输出及对输出内容解析：
prompt = ChatPromptTemplate.from_messages(
[
("user", "{input}"),
MessagesPlaceholder(variable_name="agent_output"),
]
)
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
# 构建一个 Agent，它将处理输入、提示、模型和输出解析
agent = (
{
"input": lambda x: x["input"],
"agent_output": lambda x: format_to_openai_function_messages(
x["intermediate_steps"]
),
}
| prompt
| llm_with_tools
| OpenAIFunctionsAgentOutputParser()
)
下面就是 Agent 的执行过程，主体实际是一个主循环，直到输出预期结果。实际情况中会对循环次数进行控制，以防止无休止执行下去，耗光资源。
# 用于存储中间结果
intermediate_steps = []
while True:
# 调用 Agent 并处理输出
output = agent.invoke(
{
"input": sentence,
"intermediate_steps": intermediate_steps,
}
)
# 检查是否完成处理，如果完成则退出循环
if isinstance(output, AgentFinish):
final_result = output.return_values["output"]
break
else:
print(f"工具名称：{output.tool}")
print(f"工具输入：{output.tool_input}")
tool = {"count_unique_chinese_characters": count_unique_chinese_characters}[output.tool]
observation = tool.run(output.tool_input)
intermediate_steps.append((output, observation))
# 打印最终结果
print(final_result)
一个最基本的 Agent 就构建结束了，这就是当下大家在各种文章上看到的产品层面构建 Agent（代理、智能体、智能代理、AI 代理等）的底层原理，其实很简单。
仔细观察上面的例子，很显然，只提供了一个工具，而且任务足够简单，当然可以清晰的执行。但是如果面对很复杂的任务场景，任务粒度拆解不细，导致执行步骤无法穷尽，循环就始终无法结束，这样的 Agent 也就无法完成复杂问题了。所以 Agent 要真正可用，任务拆解和规划是极为关键的一步，所以这方面也成为热门研究方向。
以下是常见的十种任务规划思路：
在这些技巧中，Zero-Shot、Few-Shot、Self-Consistency 和 Least-to-Most 在提示词层面易于应用且效果显著。对于更复杂的场景，建议结合 TOT 或 GOT 等结构化方法。选择合适的规划策略取决于任务的复杂度、数据的可用性以及对实时性的要求。
在实际部署 Agent 系统时，除了规划策略的选择，还需注意以下挑战：
综上所述，Agent 的任务规划是大模型应用开发的核心难点之一。通过理解上述 10 种创新方式并结合实际业务场景进行微调，可以显著提升智能体的自主性和解决问题的能力。未来随着模型能力的增强，规划模块将更加自动化和智能化，推动 Agent 向通用人工智能迈进。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online