哈喽，我是黑棠。

不微调、不训练、零参数更新，只是换了一种"做计划"的方式。

一个80亿参数的小模型，把GPT-4干翻了。而这个模型本身一行代码都没改。

这就是清华大学深圳国际研究生院和华南理工大学团队刚挂上arXiv的论文，提出**ATG（Atomic Task Graph，原子任务图）**框架。

ATG 智能体的标准五阶段全链路：输入 → 分层递归规划 → 原子任务图表征 → 校验 + 依赖式执行 → 最终输出，附带局部故障修复闭环。

---

AI Agent 都在走独木桥

先看看现状。

当下ReAct、Reflexion等主流的AI Agent，干活的方式都是一条直线：观察、思考、行动，再观察、再思考、再行动，一根筋走到底。

• ReAct：经典基础范式，循环「思考→执行工具→接收结果观察」，一步接一步往下走；
• Reflexion：在 ReAct 基础上加自我反思复盘，跑完一轮会复盘错误存入记忆再重试，但底层依旧是单条时序链路。
  

这种串行模式存在致命缺陷:
中间任何一步出错了，错误会沿着链条持续传导，后续操作全部跑偏。而任务步骤越长，模型要回头读的"历史文本"上下文就越长，极易产生幻觉、编造无效动作。。。

在 ALFWorld 家务模拟测试中，ReAct有**42.86%**的执行轨迹里出现了无效或幻觉动作。

接近一半的任务出错。

你让AI去厨房热个菜，它可能中途对着空气操作半天，自己还浑然不觉。

Errors are coupled with previous steps and can propagate along the trajectory. Without an explicit dependency structure, failures cannot be localized to a clear affected region.

错误会和前面的步骤耦合，沿着轨迹一路传播。没有显式的依赖结构，失败就没法被定位到一个清晰的局部。

不是模型不够大，是组织工作的方式错了。

---

清华把它掰成了一张图

ATG的核心思路：抛弃单线串行执行，把完整任务拆解成一张有向图。

每个节点是什么、依赖谁、产出给谁，全部标注清楚。
然后递归地往下拆，一直拆到每个节点就是单次工具调用的原子粒度：一次搜索、一次计算、一次查询，到这个粒度为止。

互不依赖的任务可并行执行，不用排队等待。

在正式执行之前还有个"思想实验"。系统先在脑子里把整张图预演一遍，提前排查——工具选错了、中间少一步、依赖搞反了等漏洞。仅此一步就能拦截**18.9%到27.4%**存在风险的执行方案。

出错后的修复逻辑也很巧妙。

不用从头重来。系统会顺着任务图的演化历史，定位到出错的那一小块子图，只修那一块，已经验证过的部分全部冻结。类似写文档时只改出错的段落，不需要重写全文。

这套设计还有关键优势：每个原子节点只关心自己那点上下文，不用加载整条冗长历史。上下文短了、聚焦了，幻觉自然就少了。

8B模型凭什么赢GPT-4

研究团队拿Llama-3-8B搭配ATG，对标 GPT-4 + 主流 ReAct 线性框架：

基准测试	ATG (Llama-3-8B)	GPT-4 (ReAct)
ALFWorld（家务任务）	63.65	41.24
WebShop（网购决策）	68.36	64.34
ScienceWorld（科学推理）	56.79	66.16

三项任务里ATG赢了两项，ScienceWorld上GPT-4仍然领先。虽不是"全面碾压"，但一个8B模型能对标 GPT-4，表现已经十分亮眼。它的参数量，连GPT-4的一个零头都不到。

两项关键优化指标：

1、幻觉动作率，从ReAct的42.86%掉到12.14%，相对下降71.7%。
2、平均执行步数，从31.42降到18.36，少了将近一半。

更少步骤意味着更低的token消耗，任务结果还更准。

For multi-step tasks, however, performance depends not only on model capability but also on how planning and execution are organized.

对于多步任务，性能不仅取决于模型能力，也取决于规划和执行是如何组织的。

性能瓶颈的钥匙，不在参数量，在组织方式。

---

搬进你自己的对话框

ATG听起来是实验室里的大工程，但它的内核思想，你用ChatGPT、用Claude的时候就能直接复刻。
核心就一句：把"做计划"和"去执行"拆开，让它们各干各的。

下面几个实操技巧，全都对应论文里的设计机制。

1、做计划，交给最强的那个模型。
复杂任务别让一个模型又当军师又当兵。计划阶段用你最顺手的ChatGPT、Claude，把任务拆清楚、依赖理明白；真正干活的时候，切到GLM-5.2、DeepSeek这类性价比模型就行。计划是脑力活，执行是苦力活，分开用，省钱还更稳。这正是ATG"计划和执行是两个独立阶段"的思路。

2、不知道怎么问，就让AI帮你问。
很多人卡在"我连需求都描述不清"。其实有句万能指令：

改写我的提问指令，让其他AI能给出更高质量的回答。

把你想说的话丢进去，它还你一句专业提问。这一步本质就是ATG的"递归分解"：把一个模糊的粗任务，编译成清晰的原子步骤。

3、连需求是什么都不知道，就让AI反过来问你。
换这句：

每次只问我一个问题，逐步理清我的需求痛点，直到你能给出切实可行的落地方案。

让AI当那个追问的人，而不是你绞尽脑汁去表达。条件允许的话，直接开plan mode（规划模式），让模型专门给你设计落地方案，先不写代码、不干活。

4、方案出来了，先别急着动手。
这是最关键的一步。

新开一个对话，把方案丢给AI，让它对抗式审查：找漏洞、挑毛病、追问"如果这里失败了怎么办"。

这一步就是ATG那个"思想实验"的个人版——动手前先在脑子里预演一遍，把危险计划拦在门外。论文数据显示，它能提前拦下将近三成的危险计划。

5、最后，把计划改成分阶段实施。
别让AI一口气干到底，加上一句：

每完成一个阶段就暂停，向我汇报，等我确认再继续。

哪一段出问题，只重做那一段，前面验证过的全部保留。这就是ATG"最小子图修复"的精髓——局部出错，局部修，不推翻全局。

---

整套操作就是轻量化的穷人版ATG：强模型做计划、AI帮你提问和澄清、动手前对抗审查、执行时分段汇报。

省token、少跑偏、结果更稳。

参考链接：
[1] Atomic Task Graph: A Unified Framework for Agentic Planning and Execution (https://arxiv.org/abs/2607.01942)