先规划后解决，听起来像是老一辈人说的“先想清楚，再动手”，但在现代智Neng体设计里这句话却比以前geng有分量。今天咱们聊聊Agent系列里怎么让AI先排个路线图，然后一步步执行。

说实话，我也记得刚接触AI时那些只给模型一句指令，让它自己跑去Zuo事的样子。结果往往是它边走边抬头，找不到方向。于是我开始跟模型谈“计划”。我告诉它：任务拆解成几个步骤，每一步dou要有依赖关系。模型一听，像是给了它一张地图。

这个问题你问过不少人。答案其实挺简单：百度爬虫对某些页面设置了robots.txt限制，或者页面内容被标记为noindex。再说那些内部链接太多、结构混乱的网站，也会导致抓取不到完整信息。所以在写代码或写文章时Zui好确认一下是否允许搜索引擎抓取。

Plan-and-Solve 就像你先把整条路走完，然后再按顺序跑步一样。 第一步：规划——让LLM一次性生成完整的步骤列表，不执行任何工具； 第二步：执行——按计划逐步跑，每一步内部嵌入一个 ReAct 子Agent 来调用工具。

这两层结构，你Ke以把它想成一条流水线。前端规划负责全局视角，后端执行负责细节实现。

def plan_node -> dict:
    messages = 
    response = llm.invoke
    plan = parse_plan  # 解析 ". xxx
2. xxx" 格式
    return {"plan": plan}

这里面Zui关键的是 PLANNER_SYSTEM 的提示语，它告诉模型该怎么拆解任务：

PLANNER_SYSTEM = """你是一个任务规划专家。
规则：
- 将任务分解为 N 个独立的步骤。
- 每个步骤必须具体可操作。
- 步骤之间要有明确依赖关系。
- Zui后一步通常是“整合所有信息，给出Zui终答案”。
输出格式仅为步骤列表：
..."""

注意：N 不宜太大，否则会出现过度规划的问题。简单任务Zui好只拆成三四步。

执行节点kan起来像一个小型工作站，它拿到上一层的计划和Yi完成的结果，然后用 ReAct 模型来完成单个动作。

def execute_node -> dict:
    idx = state
    current_step = state
    system_prompt = EXECUTOR_SYSTEM.format(
        completed_steps=format_completed_steps,
        current_step=current_step,
    )
    sub_agent = create_react_agent
    result = sub_agent.invoke({
        "messages": 
    })
    step_result = result.content
    new_completed = state + }"]
    return {
        "step_result": step_result,
        "completed_steps": new_completed,
        "current_step_index": idx + 1,
    }

你可Neng会问：“那Ru果工具失败怎么办？”其实我们通常会先让 Execute 节点自行处理失败，比如尝试备用方案；只有当完全无法解决时才触发 Replan 节点重新生成剩余步骤。

A 方案——过度规划 - 每个小动作dou拆成单独步骤 - 优点：流程透明，可追踪 - 缺点：Token 消耗高、时间长、易出错

B 方案——直接行动 - 一次性处理所有子问题 - 优点：快、少中间状态 - 缺点：缺乏全局视角，难以恢复错误

这两种方式不是互斥，而是组合使用geng稳妥。先用 Planner 把大框架画出来再用 ReAct 在每一步细化工具调用。

1️⃣ 定义状态结构。 python class PlanSolveState: task: str plan: list completed_steps: list current_step_index: int step_result: str replan_count: int final_answer: str 🔹 这样所有节点douNeng共享同一份状态。 ② 写 Planner 节点，让模型一次性生成计划。 ③ 写 Execute 节点，用内嵌 ReAct 调用 web_search / calculator 等工具。 ④ 写 Replan 节点，用于失败重试；限制重试次数避免循环。 5️⃣ 用 LangGraph 把这些节点连成图形流动网络。 6️⃣ 测试时把每一步结果存进 `completed_steps` 时用 JSON 或键值对结构化存储，而不是截断自然语言摘要。这Neng防止“印度人口没搜到”的幻觉问题。 7️⃣ Zui后在 Finalize 节点汇总所有数据，输出Zui终答案。 这就是一个完整的小型 Agent 系统，从策划到执行再到全程可控。

"我只想让AI帮我算算Python和Go差多少年就行。" ——说实话，我也Neng理解。但Ru果你想 功Neng，比如同时查询多种语言发行年份、排序、Zuo图表，这就需要geng好的可维护性和可 性。Ru果一直靠“随便玩玩”，以后改动就会变成灾难性的 bug。

"因为上一段提到了印度的人口，却没在下一段里体现出来"，这种情况经常发生。当我们把上一轮结果浓缩成一句话，然后传给下一轮时中间重要数字可Neng被删掉或误读。这在复杂任务中尤其明显，因为链条太长了。所以建议：

使用 JSON 存储关键字段，如 {"india_population": 512000000}

保证每一步至少返回原始数据原貌或完整数值，而不是只保留摘要。

在 Planner 阶段预设“数据收集”节点，将收集的数据统一写入 collected_data 字典。

"那个那个，Ru果 web_search 返回错误，我就直接跳回去重新搜索。" ——这其实是一种过度反应。有时候工具本身就是临时故障，你Ke以让 Execute 节点先尝试另一种方法，例如换个关键词再搜；只有当多次尝试dou无果时才触发 replan。这就像人类遇到堵车，不一定马上换路，只是在考虑是否真的需要重新安排路线。

"我kan到你的代码里有一次计算器被调用两次但第二次根本没有变化。" ——确实hen多时候 LLM 会重复相同动作，因为它不记得之前Yi经Zuo过什么。Ru果你给 Planner 的提示中加入“避免重复”，或者在 Execute 中检查 `completed_steps` 是否Yi包含该操作，就Neng减少冗余。另外为了安全，Ke以设置一个Zui大 token 限制，一旦超过就自动停止当前循环，让整个流程保持高效和稳定。

增加自检机制，如检测结果是否合理范围内，例如人口不Neng为负数；若异常则触发重新采集；

引入日志系统，在每个阶段记录输入/输出，以便调试与审计；

将 Planner 与 Executor 分离开来让 Planner Ke以外部geng新策略而不影响 Executor 的实现细节，这样维护成本geng低。 ;

No-code AI 开发kan似轻松，但背后的工程细节可不少呀！记住以下几点：

1️⃣ 永远不要忽略状态管理，一个干净、结构化的状态Neng救你hen多苦恼； 2️⃣ 不要只靠自然语言要用 JSON 或键值对捕获关键信息； 3️⃣ 给模型足够的大局观，再让它逐步细化，每一步dou有明确目标； 4️⃣ 当出现错误时优雅地回退或重试，而不是直接摧毁整个流程； 5️⃣ Zui重要的是多测试、多观察，不断迭代你的 Prompt 和流程设计。

好了说这么多，你现在应该Neng搭起自己的“小型Agent”，从规划到执行一路顺风。Ru果还有疑问或者想聊geng多技术细节，就随时来找我吧！哈哈，希望这些分享Neng帮到你，也希望我们的讨论还Neng继续深入探索下一个技术热点！ 祝编码愉快~ —老友敬上'">