1. 什么是规划模式

规划模式使AI Agent在执行操作之前先制定计划或解决方案。与ReAct直接进入逐步推理和使用工具的方式不同，Planning Agent会首先为任务设计一个高层级的计划或路线图，随后再逐步执行该计划中的每一个步骤，最终得出结果。通过这种“先规划后行动”的方式，LLM代理处理复杂任务和进行决策的能力得到了显著增强。

2. 为什么要规划

为什么我们需要为AI Agent设置明确的规划阶段？简而言之，有些问题过于复杂，如果没有全局战略，就无法一步一步解决。ReAct范式擅长被动决策。Agent会观察当前状态，决定一个动作并执行，然后观察结果并重复执行。

这对简单或高度不确定的任务非常有效，但对于受益于全局观的多步骤问题可能效果不好。Planning模式通过细分任务和概述目标，Agent可以获得对问题的整体看法，更具有战略性和更高的效率。

在这种情况下，ReAct Agent可能最终也能找到答案，但在过程中蜿蜒曲折或重复工作，因为每次它只能决定一个动作；而规划Agent会尝试提前确定所有必要的步骤，并且不太可能偏离目标。

规划是有效的，另一个原因是避免错过重要步骤，即使强制LLM逐步推理，也可能会跳过关键步骤或产生有缺陷的解决路径而出现幻觉。如果我们强调模型先制定计划再执行它，我们会迫使它思考整个解决方案路径，从而减少跳过步骤的机会。ReAct代理的设计使其每次只能规划一个动作，并且不一定会预见下一步之后的动作，可能导致复杂任务的执行轨迹不理想。

使用规划有效的情况：

• 问题自然地分解为子任务或阶段
• 不规划，Agent可能在许多步骤中忘记要求或背景。
• 贪婪的循序渐进的方法可能会陷入困境或偏离轨道。
• 希望Agent的解决方案路径是可解释和可验证的。

3.规划模式实际上如何运作

Agent会花一些时间提前思考，然后才逐一执行这些步骤。通过以这种方式构建Agent循环，可以获得更有条理、通常更高效的工作流程。

• 首先，LLM规划师分析用户请求并生成子任务列表。
• 单任务执行Agent按顺序处理每一个子任务，可能使用工具来完成。
• 单步任务执行后，Agent会根据结果更新其状态。如果新信息需要，Agent会在继续执行之前重新规划。
• 所有步骤完成后，Agent会像用户发出响应。这种关注点分离使得清晰的长期规划与迭代操作相结合成为可能。

3.1.规划阶段

Agent检查用户的查询或目标并制定高级计划，通常意味着将问题分解为子目标或子任务，可能会提示LLM输出解决问题所需的有序步骤列表。

此时，Agent正在创建路线图，尚未解决任何问题，它会在执行之前分析目标并决定策略，生成的计划可以是简单 的语言或结构化格式，只要后续步骤可以解释即可。

3.2. 执行阶段

一旦有了计划，Agent就会进入循环，迭代执行每个子任务。从计划中迈出第一步，执行并获取结果，然后进入下一步，以此类推。在执行过程中，Agent可能会根据每个子任务的需要调用外部工具或API，Agent始终将该计划作为下一步的行动指南，而不是从头开始构思新的行动，一直持续到所有计划的步骤都完成。

在次阶段，Agent会将结果或中间发现汇总到记忆或暂存器中，每次迭代都可以被认为Agent在计划的指导下专注于单个子问题。

3.3.聚合和响应

执行必要的步骤后，Agent会收集所有相关的输出并组成最终的答案或结果。由于Agent遵循了结构化计划，因此在此阶段可以直接汇总结果然后将最终响应呈现给用户。

规划模式的一个可选但重要的方面是反馈和迭代。与传统程序不同，AI Agent可以检测到某些事情没有按预期进行时进行调整。在执行过程中，如果子任务失败或产生意外结果，代理可以决定重新审视计划。

理想情况下，代理将按照修改后的计划继续执行。实际上，可以通过再次调用LLM规划师来实现，向其提供部分进度并请求更新后的计划。这确保了当情况发生变化时，Agent不会陷入糟糕的初始计划。

通过将Agent的工作流程构建为计划阶段和执行阶段，可以获得更好的组织性、清晰度，并且通常可以为复杂任务获得更好的结果。

随着大模型的持续火爆，各行各业纷纷开始探索和搭建属于自己的私有化大模型，这无疑将催生大量对大模型人才的需求，也带来了前所未有的就业机遇。**正如雷军所说：“站在风口，猪都能飞起来。”**如今，大模型正成为科技领域的核心风口，是一个极具潜力的发展机会。能否抓住这个风口，将决定你是否能在未来竞争中占据先机。

那么，我们该如何学习大模型呢？

人工智能技术的迅猛发展，大模型已经成为推动行业变革的核心力量。然而，面对复杂的模型结构、庞大的参数量以及多样的应用场景，许多学习者常常感到无从下手。作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。

为此，我们整理了一份全面的大模型学习路线，帮助大家快速梳理知识，形成自己的体系。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一、大模型全套的学习路线

大型预训练模型（如GPT-3、BERT、XLNet等）已经成为当今科技领域的一大热点。这些模型凭借其强大的语言理解和生成能力，正在改变我们对人工智能的认识。为了跟上这一趋势，越来越多的人开始学习大模型，希望能在这一领域找到属于自己的机会。

L1级别：启航篇 | 极速破界AI新时代

• AI大模型的前世今生：了解AI大模型的发展历程。
• 如何让大模型2C能力分析：探讨大模型在消费者市场的应用。
• 行业案例综合分析：分析不同行业的实际应用案例。
• 大模型核心原理：深入理解大模型的核心技术和工作原理。

L2阶段：攻坚篇 | RAG开发实战工坊

• RAG架构标准全流程：掌握RAG架构的开发流程。
• RAG商业落地案例分析：研究RAG技术在商业领域的成功案例。
• RAG商业模式规划：制定RAG技术的商业化和市场策略。
• 多模式RAG实践：进行多种模式的RAG开发和测试。
  

L3阶段：跃迁篇 | Agent智能体架构设计

• Agent核心功能设计：设计和实现Agent的核心功能。
• 从单智能体到多智能体协作：探讨多个智能体之间的协同工作。
• 智能体交互任务拆解：分解和设计智能体的交互任务。
• 10+Agent实践：进行超过十个Agent的实际项目练习。

L4阶段：精进篇 | 模型微调与私有化部署

• 打造您的专属服务模型：定制和优化自己的服务模型。
• 模型本地微调与私有化：在本地环境中调整和私有化模型。
• 大规模工业级项目实践：参与大型工业项目的实践。
• 模型部署与评估：部署和评估模型的性能和效果。

专题集：特训篇

• 全新升级模块：学习最新的技术和模块更新。
• 前沿行业热点：关注和研究当前行业的热点问题。
• AIGC与MPC跨领域应用：探索AIGC和MPC在不同领域的应用。

掌握以上五个板块的内容，您将能够系统地掌握AI大模型的知识体系，市场上大多数岗位都是可以胜任的。然而，要想达到更高的水平，还需要在算法和实战方面进行深入研究和探索。

[👉点击即可获取大模型学习包2025年最新版👈]

1. AI大模型学习路线图
2. 100套AI大模型商业化落地方案
3. 100集大模型视频教程
4. 200本大模型PDF书籍
5. LLM面试题合集
6. AI产品经理资源合集

以上的AI大模型学习路线，不知道为什么发出来就有点糊，高清版可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

二、640套AI大模型报告合集

这套包含640份报告的合集，全面覆盖了AI大模型的理论探索、技术落地与行业实践等多个维度。无论您是从事科研工作的学者、专注于技术开发的工程师，还是对AI大模型充满兴趣的爱好者，这套报告都将为您带来丰富的知识储备与深刻的行业洞察，助力您更深入地理解和应用大模型技术。

三、大模型经典PDF籍

随着人工智能技术的迅猛发展，AI大模型已成为当前科技领域的核心热点。像GPT-3、BERT、XLNet等大型预训练模型，凭借其卓越的语言理解与生成能力，正在重新定义我们对人工智能的认知。为了帮助大家更高效地学习和掌握这些技术，以下这些PDF资料将是极具价值的学习资源。

四、AI大模型商业化落地方案

AI大模型商业化落地方案聚焦于如何将先进的大模型技术转化为实际的商业价值。通过结合行业场景与市场需求，该方案为企业提供了从技术落地到盈利模式的完整路径，助力实现智能化升级与创新突破。

希望以上内容能对大家学习大模型有所帮助。如有需要，请微信扫描下方CSDN官方认证二维码免费领取相关资源【保证100%免费】。

祝大家学习顺利，抓住机遇，共创美好未来！