吴恩达解析AI Agent规划模式：大模型如何自主制定执行计划

在AI Agent（智能体）的构建中，一个核心难题始终存在：面对复杂任务，开发者是否必须提前硬编码好每一步的执行顺序？吴恩达在其提示词工程课程的Agent设计模式模块中给出了明确答案——通过"规划设计模式"（Planning Design Pattern），大模型可以自主决定完成任务所需的步骤，无需人工预先设定固定流程。

本文将基于该课程内容，系统梳理规划模式的工作原理、典型应用场景以及当前面临的现实挑战。

什么是AI Agent规划设计模式

AI Agent（智能体）是近年来大语言模型应用的核心范式之一。与单次问答不同，Agent系统赋予大模型"行动能力"——通过调用外部工具（如API、数据库、代码执行器）来完成需要多步骤推理和操作的复杂任务。工具调用（Tool Calling/Function Calling）机制最早由OpenAI在GPT-4中正式引入，允许模型在推理过程中"声明"需要调用某个函数，由外部系统执行后再将结果返回给模型继续推理。这种人机协作的循环构成了现代Agent架构的基础。

规划设计模式的核心思想是：赋予大模型一组可调用的工具（Tools），让它自主规划出分步骤的执行计划，再逐步执行以完成复杂任务。

与传统的"硬编码流程"不同，规划模式不需要开发者提前确定工具的调用顺序。传统软件工程中，工作流（Workflow）通常是由开发者预先定义的有向图或状态机，每个节点的前驱与后继关系在部署前就已固化。这种"硬编码流程"的优势是可预测性强、易于调试，但灵活性极差——一旦出现设计之外的输入，系统就会失效。而规划模式将流程编排权从开发者转移给大模型本身，本质上是利用大模型的"常识推理"能力来动态生成适配当前任务的执行路径。这带来了极大的灵活性——同一个Agent可以应对多种不同类型的请求，而不必为每种场景单独编写逻辑。

吴恩达用一个墨镜零售店的例子来说明这一点。假设你经营一家墨镜店，库存信息存储在数据库中，顾客问道："你们有没有100美元以下的圆形墨镜库存？"这个查询相当复杂，需要：查看产品描述判断哪些是圆形墨镜、检查库存情况、再筛选出价格低于100美元的商品。

为了让Agent处理这类问题，开发者会为大模型配备一组工具，例如获取商品描述、检查库存、处理退货、查询价格、查看历史交易、处理销售等。随后编写一个提示词，告诉模型可以使用哪些工具，并附上每个工具的功能描述，最后要求它"返回一个分步骤的计划来完成用户请求"。

规划模式如何逐步执行

理解规划模式的关键在于它的"分步执行"机制。在学术上，这一机制与ReAct（Reasoning + Acting）框架高度相关。ReAct由谷歌研究人员于2022年提出，其核心思想是让大模型交替进行"思考（Reason）"与"行动（Act）"，形成思维链驱动的工具调用循环。规划模式是ReAct思想的进一步延伸——模型不仅在每一步单独推理，还会在任务开始时生成一份完整的执行计划（Plan），再逐步执行。这与另一主流范式"Plan-and-Execute"架构（如LangChain的Plan-and-Execute Agent）一脉相承，区别在于计划的粒度和是否允许中途动态修正。

以圆形墨镜查询为例，大模型可能输出如下三步计划：

分步计划的生成与执行

1. 第一步：使用"获取商品描述"工具，检查所有商品描述，找出圆形墨镜；
2. 第二步：对筛选出的圆形墨镜，使用"检查库存"工具查看现货情况；
3. 第三步：使用"获取价格"工具，确认现货中哪些低于100美元。

当大模型输出这个计划后，系统会将第一步的指令文本连同工具描述、用户请求和背景上下文一起，再次传给大模型执行第一步。模型调用"获取商品描述"工具，从而筛选出圆形墨镜。

接着，第一步的输出与第二步指令组合，再次传给大模型执行库存检查；第二步的输出又与第三步指令结合，让模型查询价格；最后，所有结果汇总反馈给模型，生成给用户的最终答案。

吴恩达特别指出，实际由大模型生成的计划通常比单行指令详细得多，包含多个步骤，并附带任务说明、可用工具等上下文信息。这种方式最令人兴奋之处在于：我们无需预先决定工具的调用顺序。

如果顾客换一个请求，比如"我想退掉之前买的金框眼镜，但不退金属框的"，大模型同样能自主生成一个不同的计划——先查询历史购买记录、通过商品描述定位金框眼镜、再调用退货工具。这正是规划模式的威力：一个Agent就能覆盖需要以不同顺序调用多种工具的广泛任务。

邮件助手：规划模式的另一个典型场景

课程还给出了邮件助手的例子，进一步展示规划模式的通用性。

假设你告诉助手："请回复来自纽约Bob关于晚餐邀请的邮件，告诉他我会参加，并把这封邮件归档。"邮件助手被赋予搜索邮件、移动邮件、删除邮件、发送邮件等工具。

大模型可能规划出如下步骤：先用"搜索邮件"工具找到Bob关于晚餐和纽约的邮件，然后生成并发送确认参加的回复，最后将该邮件移动到归档文件夹。系统随之逐步执行：第一步搜索邮件、第二步发送回复、第三步在确认发送成功后完成归档。

这个例子清楚地表明，规划模式并不局限于电商查询，任何需要多工具协作的任务都可以采用这一范式。

规划模式的现实应用与局限性

规划设计模式已经在高度自主的编程Agent系统中取得了成功应用。吴恩达指出，当你要求这类系统编写一个较为复杂的应用程序时，它会先制定计划——构建这个组件、再构建那个组件，几乎形成一份检查清单，然后逐项完成。

编程任务之所以特别适合规划模式，是因为代码执行结果具有明确的"对/错"反馈信号。Devin（Cognition AI）、GitHub Copilot Workspace、OpenDevin等系统都大量采用了这一思路——面对"开发一个带用户认证的Web应用"此类请求，系统会先生成模块化的开发计划（设计数据库Schema、实现后端API、编写前端组件、配置部署脚本），再逐步执行。系统可通过运行测试来验证每个步骤的正确性，从而形成"计划—执行—验证—修正"的闭环，大幅降低了不确定性带来的风险。

规划模式当前面临的挑战

然而，在编程场景之外，规划模式的使用仍然偏向实验性，尚未大规模普及。吴恩达坦诚地指出了核心挑战：

规划模式让系统变得更难以控制。作为开发者，你在运行时并不知道模型会生成什么样的计划。规划模式"难以控制"的本质是大模型的输出空间过大——理论上模型可以生成任意工具调用序列，包括危险操作（如批量删除数据、发送未经授权的邮件）。这种不确定性对于需要高可靠性的生产环境来说是一个真实的顾虑。

工业界目前有几种主流缓解策略：一是"人工确认节点"（Human-in-the-loop），在执行高风险步骤前暂停并请求用户授权；二是"沙箱执行环境"，将Agent的操作权限限制在隔离环境中；三是"计划审核层"（Plan Critic），引入第二个模型或规则引擎对生成的计划进行安全性审查后再执行。这些策略在灵活性和可控性之间寻求平衡，也是当前Agent安全研究的核心议题。

正因如此，除了在编程Agent这个表现极佳的领域之外，规划模式的整体采用率仍处于增长阶段。吴恩达对此持乐观态度，认为这项技术会持续进步，并出现在越来越多的应用场景中。

总结

规划设计模式代表了AI Agent发展的重要方向：从人工编排流程转向模型自主决策。它的价值在于灵活性——一套工具、一个规划提示，就能应对形态各异的复杂任务，无需为每种场景单独编码。

对于开发者而言，理解规划模式"生成计划—逐步执行"的核心机制是构建自主Agent的基础。如何在灵活性与可控性之间取得平衡，则是当前技术落地的关键课题。随着大模型能力持续提升，规划模式有望在编程领域之外展现出更广泛的应用价值。

核心要点