Agent规划能力

规划能力的关键价值

• 提高成功率：系统性的规划能显著提高复杂任务的完成率
• 降低成本：合理的规划可以减少不必要的LLM调用和工具执行
• 增强可解释性：规划过程提供了Agent行为的可追溯记录
• 支持并行执行：识别独立子任务，支持并行处理
• 便于错误恢复：清晰的规划有助于定位问题点并快速恢复

SMART分解原则

每个子任务应该满足SMART原则：

S - Specific（具体）
    子任务目标明确，不模糊

M - Measurable（可衡量）
    可以判断任务是否完成

A - Achievable（可实现）
    在Agent能力范围内

R - Relevant（相关）
    与总目标直接相关

T - Time-bound（有边界）
    有明确的输入输出边界

依赖图示例

任务: 开发一个Web应用

依赖图:
A: 需求分析 (无依赖)
B: 架构设计 (依赖A)
C: 数据库设计 (依赖B)
D: 后端开发 (依赖C)
E: 前端开发 (依赖B) -- 与C并行
F: API开发 (依赖D)
G: 前后端联调 (依赖E, F)
H: 测试 (依赖G)
I: 部署 (依赖H)

执行顺序: A → B → {C, E并行} → D → F → G → H → I

CoT规划示例

任务: 帮用户规划一次旅行

思考过程:
1. 首先，我需要了解用户的具体需求
   - 目的地：日本
   - 时间：7天
   - 预算：中等
   - 偏好：文化体验、美食

2. 根据需求，规划行程框架
   - Day 1-3: 东京（城市体验、美食探索）
   - Day 4-5: 京都（传统文化、寺庙）
   - Day 6-7: 大阪（购物、美食）

3. 为每天规划具体活动
   - Day 1: 抵达东京 → 浅草寺 → 晴空塔
   - Day 2: 明治神宫 → 原宿 → 涩谷
   - ...

4. 考虑交通和住宿安排
   - JR Pass 7日券
   - 酒店位置选择
   - 交通路线规划

5. 预算估算
   - 机票：约4000元
   - 住宿：约3500元
   - 餐饮：约2000元
   - 交通：约1500元
   - 门票：约500元
   - 总计：约11500元

重规划级别

• 局部调整：只调整失败点附近的子任务
• 分支替换：替换整个失败的分支计划
• 全局重规划：放弃当前计划，从头规划
• 降级规划：采用简化方案完成部分目标

LangChain规划Agent示例

from langchain.agents import AgentExecutor, create_openai_functions_agent
from langchain.tools import Tool
from langchain_openai import ChatOpenAI

# 定义工具
tools = [
    Tool(
        name="search",
        func=search_function,
        description="搜索互联网获取信息"
    ),
    Tool(
        name="calculator",
        func=calculate_function,
        description="执行数学计算"
    ),
]

# 创建Agent
llm = ChatOpenAI(model="gpt-4-turbo", temperature=0)
agent = create_openai_functions_agent(llm, tools)
agent_executor = AgentExecutor(agent=agent, tools=tools)

# 执行任务
result = agent_executor.invoke({
    "input": "研究AI发展趋势，并预测2025年的市场规模"
})

Plan-and-Execute模式示例

from langchain_experimental.plan_and_execute import (
    PlanAndExecute,
    load_agent_executor,
    load_chat_planner
)

# 创建规划器
planner = load_chat_planner(llm)

# 创建执行器
executor = load_agent_executor(llm, tools, verbose=True)

# 组合为完整的Plan-Execute Agent
agent = PlanAndExecute(planner=planner, executor=executor)

# 执行复杂任务
result = agent.run(
    "分析特斯拉股票过去一年的表现，"
    "并给出投资建议"
)