Plan-and-Execute
一种Agent任务规划模式，先让模型生成完整的执行计划，再逐步执行并根据反馈动态调整
核心事实
时间轴 (近 90 天)
代理驱动的架构常被称为 ReAct 或 Plan-and-Execute 模式，近年来随着 LLM 能力提升而快速成熟
ReAct和Plan-and-Execute两种模式都面临早期步骤误判被后续步骤当作前提接受导致的错误累积问题
Plan-and-Execute模式先生成完整计划再逐步执行
数据分析Agent通常采用ReAct（Reasoning + Acting）或Plan-and-Execute两类主流模式
不同框架的Harness实现差异很大，有的采用ReAct（Reasoning + Acting）范式，有的使用Plan-and-Execute结构，有的允许并行调用工具
主流Agent框架如ReAct、Plan-and-Execute通常将Agent行动空间分为'执行'与'询问'两类
ReAct与Plan-and-Execute的核心差异在于是否允许中途动态修改计划
演示项目采用一个主智能体（Hub）协调三到四个子 Agent 并行跑四个区块，体现 Plan-and-Execute 加子智能体分工的架构
Plan-and-Execute型架构前期规划成本高，但执行阶段可以并行化，对于步骤独立的任务更高效
主流任务规划方法包括ReAct范式、Plan-and-Execute模式和Tree of Thoughts（思维树）
还有 5 条时间轴事件
全部知识事实 (20)
当前主流的编程智能体架构大多采用ReAct（Reasoning + Acting）范式
90%已验证Agent的实现通常通过ReAct（Reasoning + Acting）框架来实现规划能力
90%已验证Plan-and-Execute 框架先由规划器生成完整的多步任务计划，再逐步交由执行器完成，适合任务边界清晰的场景
80%已验证Plan-and-Execute和ReAct是当前Agent领域两种代表性的规划范式
80%已验证演示项目采用一个主智能体（Hub）协调三到四个子 Agent 并行跑四个区块，体现 Plan-and-Execute 加子智能体分工的架构
75%已验证ReAct更灵活能动态调整策略，Plan-and-Execute在长任务链中更稳定，减少局部错误导致的全局偏离
75%已验证现代智能体通常基于ReAct（Reasoning + Acting）范式运作，模型先推理当前状态再决定调用哪个工具
75%已验证ReAct模式的执行流程包括：用户提出需求、智能体思考（Reasoning）、执行行动（Acting）、观察结果（Observation）、循环往复、返回答案六个步骤
70%已验证Plan-and-Execute模式先由规划器生成完整执行计划再由执行器逐步落实，在长任务中更稳定，但对规划阶段质量要求极高
65%已验证Plan-and-Execute范式先生成完整计划再逐步执行，适合长任务
65%待验证ReAct和Plan-and-Execute等主流Agent框架都可以将MCP作为工具调用层的标准化实现
75%待验证主流任务规划方法包括ReAct范式、Plan-and-Execute模式和Tree of Thoughts（思维树）
60%待验证ReAct范式衍生出Reflexion、LATS、Plan-and-Execute等变体
60%待验证代理驱动的架构常被称为 ReAct 或 Plan-and-Execute 模式，近年来随着 LLM 能力提升而快速成熟
50%待验证ReAct和Plan-and-Execute两种模式都面临早期步骤误判被后续步骤当作前提接受导致的错误累积问题
50%待验证Plan-and-Execute模式先生成完整计划再逐步执行
50%待验证数据分析Agent通常采用ReAct（Reasoning + Acting）或Plan-and-Execute两类主流模式
50%待验证不同框架的Harness实现差异很大，有的采用ReAct（Reasoning + Acting）范式，有的使用Plan-and-Execute结构，有的允许并行调用工具
50%待验证主流Agent框架如ReAct、Plan-and-Execute通常将Agent行动空间分为'执行'与'询问'两类
50%待验证ReAct与Plan-and-Execute的核心差异在于是否允许中途动态修改计划
50%