一、什么是 Agent 任务规划?
Agent 任务规划(Task Planning)是指 Agent 根据用户目标、当前环境、可用工具和执行约束,自动生成一组有序或可并行执行的子任务,并根据执行反馈持续调整计划的过程。
普通大模型主要解决如何理解和生成内容的问题,而 Agent 任务规划需要解决:
- 最终目标是什么?
- 需要拆分成哪些子任务?
- 子任务之间有什么依赖关系?
- 每个任务应该使用什么工具?
- 哪些任务可以并行执行?
- 执行过程中出现问题怎么办?
- 如何判断任务真正完成?
例如,用户提出:
分析最近三个月的销售数据,找出销售下降的主要原因,并生成一份分析报告。
这不是一个简单的文本生成任务,而是一个包含多个执行阶段的复杂任务。
Agent 需要将其拆解为:
- 确定分析时间范围。
- 查询销售数据。
- 检查数据完整性。
- 统计销售趋势。
- 分析产品、地区和客户维度。
- 识别销售下降的关键因素。
- 交叉验证分析结论。
- 生成分析报告。
任务规划的核心是:将一个抽象目标转化为具有明确输入、输出、依赖关系和完成条件的执行计划。
二、任务规划在 Agent 架构中的位置
任务规划通常由 Planner 组件负责,但它不是独立工作的,而是与 Goal Manager、LLM、Tool Registry、State Manager 和 Agent Runtime 协同运行。
1. Planner 在 Agent 中的位置
flowchart TB
A["用户提交目标"] --> B["Goal Manager"]
B --> C["Planner"]
C --> D["LLM Engine"]
D --> E["生成任务计划"]
E --> F["Plan Validator"]
F --> G{"计划是否有效"}
G -->|"是"| H["Agent Runtime"]
G -->|"否"| I["修正计划"]
I --> C
H --> J["Tool Executor"]
J --> K["外部环境"]
K --> L["执行结果"]
L --> M["State Manager"]
M --> C
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style C fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style D fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style E fill:#EAF3EC,stroke:#83A995,color:#315D49
style F fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style G fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style H fill:#EAF3EC,stroke:#83A995,color:#315D49
style I fill:#F7EAE7,stroke:#C98D7C,color:#754438
style J fill:#EAF3EC,stroke:#83A995,color:#315D49
style K fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style L fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style M fill:#EAE8FA,stroke:#A49BD5,color:#51477D
2. Planner 与其他组件的职责边界
| 组件 | 核心职责 | 与规划的关系 |
|---|---|---|
| Goal Manager | 理解目标和约束 | 提供规划依据 |
| Planner | 拆解任务和制定计划 | 生成执行方案 |
| LLM Engine | 推理和生成 | 提供规划智能 |
| Tool Registry | 管理可用工具 | 提供行动能力描述 |
| Plan Validator | 检查计划合法性 | 验证计划结构 |
| Agent Runtime | 驱动任务执行 | 调度计划中的任务 |
| State Manager | 维护任务状态 | 记录执行进度 |
| Tool Executor | 执行具体操作 | 完成任务动作 |
| Result Validator | 验证执行结果 | 判断目标是否达成 |
需要注意:Planner 负责决定执行什么,Runtime 负责控制如何执行。两者不能混为一谈。
三、任务规划的完整过程
一个完整的任务规划过程通常包括八个阶段:
- 目标理解。
- 约束提取。
- 环境与能力分析。
- 任务分解。
- 依赖关系分析。
- 工具和资源分配。
- 计划验证。
- 计划执行与动态调整。
1. 完整规划流程
flowchart TD
A["接收用户目标"] --> B["理解目标语义"]
B --> C["提取任务约束"]
C --> D["分析环境与可用工具"]
D --> E["分解子任务"]
E --> F["建立任务依赖关系"]
F --> G["分配工具与资源"]
G --> H["生成结构化计划"]
H --> I["验证计划"]
I --> J{"计划是否可执行"}
J -->|"否"| K["修正或重新规划"]
K --> E
J -->|"是"| L["提交 Runtime 执行"]
L --> M["收集执行反馈"]
M --> N{"是否需要调整"}
N -->|"是"| K
N -->|"否"| O["完成任务"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style C fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style D fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style E fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style F fill:#EAF3EC,stroke:#83A995,color:#315D49
style G fill:#EAF3EC,stroke:#83A995,color:#315D49
style H fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style I fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style J fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style K fill:#F7EAE7,stroke:#C98D7C,color:#754438
style L fill:#EAF3EC,stroke:#83A995,color:#315D49
style M fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style N fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style O fill:#DCEFE5,stroke:#4F8B70,color:#24563F
这八个阶段并不意味着必须调用八次大模型。简单任务可以合并多个阶段,复杂任务则可能需要多轮推理和多次计划验证。
四、第一步:目标理解与约束提取
任务规划的质量首先取决于目标理解是否准确。
用户通常使用自然语言描述目标,而自然语言可能存在歧义、信息缺失和隐含约束。
1. 目标结构化
例如:
帮我分析最近三个月的销售数据,找出下降原因,生成报告,不能修改原始数据。
Planner 需要将其解析为:
| 维度 | 解析结果 |
|---|---|
| 主目标 | 分析销售下降原因 |
| 时间范围 | 最近三个月 |
| 数据来源 | 销售数据系统 |
| 分析内容 | 销售趋势和影响因素 |
| 输出形式 | 分析报告 |
| 操作约束 | 只读,不允许修改原始数据 |
| 完成条件 | 有数据依据的分析结论和报告 |
2. 目标与约束必须分离
目标描述要达到什么结果,约束描述执行过程中不能做什么。
例如:
{
"goal": {
"description": "分析销售下降原因并生成报告",
"expected_output": "sales_analysis_report"
},
"constraints": {
"time_range": "last_3_months",
"data_access": "read_only",
"allow_data_modification": false,
"require_evidence": true
}
}
这种分离有两个重要价值:
- Planner 可以灵活调整任务步骤,但不能改变用户目标。
- Runtime 和 Policy Engine 可以独立检查每个动作是否违反约束。
3. 什么时候需要向用户澄清?
如果缺少的信息会显著影响计划,就应该请求用户补充。
例如:
- 没有指定数据来源。
- 不清楚分析的时间范围。
- 用户要求执行某项操作,但没有明确授权。
- 存在多个相互冲突的目标。
- 成功标准无法确定。
对于不影响任务正确性的细节,可以使用合理默认值,避免频繁打断用户。
五、第二步:任务分解(Task Decomposition)
任务分解是 Agent 规划中最核心的能力。
复杂目标通常不能直接执行,需要拆分成更小、更明确的子任务。
1. 为什么需要任务分解?
假设直接让 Agent 完成:
分析销售数据并生成报告。
这个任务过于抽象,Agent 无法明确: - 需要读取哪些数据。 - 需要执行哪些统计分析。 - 如何识别销售下降。 - 如何判断影响因素。 - 如何验证结论。 - 报告应该包含哪些内容。
将任务拆分后,每个子任务都可以拥有明确的输入、输出和完成条件。
2. 任务分解的基本原则
原则一:目标明确
每个子任务都应该有清晰的执行目的。
原则二:输入明确
任务需要知道依赖哪些数据或前置结果。
原则三:输出明确
每个任务都应该产生可识别的结果。
原则四:边界清晰
避免多个任务重复处理相同内容。
原则五:粒度适当
任务太粗,难以执行和验证;任务太细,会增加调度成本和模型调用次数。
3. 任务树(Task Tree)
复杂任务可以采用树形结构拆解。
flowchart TD
A["销售数据分析"] --> B["数据准备"]
A --> C["销售趋势分析"]
A --> D["影响因素分析"]
A --> E["报告生成"]
B --> B1["查询销售数据"]
B --> B2["检查数据完整性"]
B --> B3["清洗异常数据"]
C --> C1["计算月度销售额"]
C --> C2["计算同比与环比"]
C --> C3["识别下降区间"]
D --> D1["产品维度分析"]
D --> D2["地区维度分析"]
D --> D3["客户维度分析"]
E --> E1["汇总分析结论"]
E --> E2["生成图表"]
E --> E3["生成报告"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style C fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style D fill:#EAF3EC,stroke:#83A995,color:#315D49
style E fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style B1 fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style B2 fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style B3 fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style C1 fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style C2 fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style C3 fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style D1 fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style D2 fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style D3 fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style E1 fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style E2 fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style E3 fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
需要注意,任务树表达的是层级分解关系,不一定完整表达任务之间的执行依赖。
例如,销售趋势分析和产品维度分析可以并行,但报告生成必须等待相关分析结果。
因此,复杂任务还需要使用依赖图。
六、第三步:任务依赖分析(Dependency Analysis)
任务分解之后,Planner 需要分析各个子任务之间的依赖关系。
任务依赖决定了: - 哪些任务必须先执行。 - 哪些任务可以同时执行。 - 哪些任务需要等待其他任务结果。 - 哪些任务失败会影响整个计划。
1. 任务依赖图
假设销售分析任务包含:
- A:查询销售数据。
- B:数据质量检查。
- C:销售趋势分析。
- D:产品维度分析。
- E:地区维度分析。
- F:汇总报告。
依赖关系:
- B 依赖 A。
- C、D、E 依赖 B。
- F 依赖 C、D、E。
flowchart TD
A["A:查询销售数据"] --> B["B:数据质量检查"]
B --> C["C:销售趋势分析"]
B --> D["D:产品维度分析"]
B --> E["E:地区维度分析"]
C --> F["F:汇总报告"]
D --> F
E --> F
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style C fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style D fill:#EAF3EC,stroke:#83A995,color:#315D49
style E fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style F fill:#DCEFE5,stroke:#4F8B70,color:#24563F
这类结构通常可以表示为有向无环图(DAG)。
2. DAG:有向无环图
DAG(Directed Acyclic Graph)由节点和有向边组成:
- 节点表示任务。
- 有向边表示依赖关系。
- 无环表示任务依赖不存在循环。
例如:
表示 C 必须等待 B 完成,B 必须等待 A 完成。
如果存在:
就形成了循环依赖,任务无法通过普通拓扑调度正常执行。
3. 拓扑排序(Topological Sorting)
对于 DAG,可以使用拓扑排序计算合法执行顺序。
常见算法:
- Kahn 算法:基于入度和队列。
- DFS 算法:基于深度优先搜索和完成顺序。
Kahn 算法的基本过程:
- 计算所有节点的入度。
- 将入度为 0 的节点放入队列。
- 取出一个节点并加入执行顺序。
- 删除该节点的出边。
- 将入度变为 0 的节点加入队列。
- 重复处理,直到队列为空。
- 如果输出节点数量小于总节点数量,说明存在循环依赖。
Python 实现:
from collections import deque
def topological_sort(tasks, dependencies):
"""
tasks: 任务 ID 列表
dependencies: (前置任务, 后置任务)
"""
graph = {task: [] for task in tasks}
indegree = {task: 0 for task in tasks}
for source, target in dependencies:
graph[source].append(target)
indegree[target] += 1
queue = deque(
task for task in tasks
if indegree[task] == 0
)
result = []
while queue:
current = queue.popleft()
result.append(current)
for neighbor in graph[current]:
indegree[neighbor] -= 1
if indegree[neighbor] == 0:
queue.append(neighbor)
if len(result) != len(tasks):
raise ValueError("检测到循环依赖")
return result
tasks = ["A", "B", "C", "D", "E", "F"]
dependencies = [
("A", "B"),
("B", "C"),
("B", "D"),
("B", "E"),
("C", "F"),
("D", "F"),
("E", "F")
]
print(topological_sort(tasks, dependencies))
时间复杂度:
其中: - V 表示任务节点数量。 - E 表示任务依赖边数量。
4. 依赖关系不等于执行顺序
这是一个容易混淆的概念。
依赖关系规定任务之间的先后约束,调度器根据依赖关系、资源和优先级决定实际执行顺序。
例如,C、D、E 都依赖 B,但它们之间没有依赖关系。
因此:
- C、D、E 可以并行执行。
- 如果资源不足,也可以顺序执行。
- 如果 D 执行失败,是否阻塞 C 和 E,需要根据失败策略决定。
DAG 描述的是可行的执行约束,而不是唯一的执行顺序。
七、第四步:任务规划的常见算法与模式
Agent 任务规划并不只有一种实现方式。
根据任务复杂度、执行环境和动态变化程度,可以采用不同的规划模式。
1. 顺序规划(Sequential Planning)
顺序规划是最简单的任务规划方式,任务按照明确顺序执行。
适用于: - 数据处理流水线。 - 文件解析。 - 固定业务流程。 - 存在严格前后依赖的任务。
flowchart TD
A["任务 A"] --> B["任务 B"]
B --> C["任务 C"]
C --> D["任务 D"]
D --> E["任务完成"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style D fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style E fill:#DCEFE5,stroke:#4F8B70,color:#24563F
优点: - 执行逻辑简单。 - 状态管理容易。 - 结果可预测。 - 方便异常定位。
缺点: - 无法充分利用并行资源。 - 前置任务延迟会影响后续所有任务。
2. 并行规划(Parallel Planning)
并行规划将相互独立的任务同时执行。
适用于: - 多数据源查询。 - 多文件分析。 - 多维度数据统计。 - 多个独立子任务。
flowchart TD
A["主任务"] --> B["任务 A"]
A --> C["任务 B"]
A --> D["任务 C"]
B --> E["结果汇总"]
C --> E
D --> E
E --> F["完成任务"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style C fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style D fill:#EAF3EC,stroke:#83A995,color:#315D49
style E fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style F fill:#DCEFE5,stroke:#4F8B70,color:#24563F
并行规划需要考虑:
数据竞争
多个任务是否会同时修改相同资源。
资源竞争
模型调用、数据库连接、API 配额和执行环境是否有限。
结果合并
多个子任务的结果是否具有一致的数据结构。
部分失败
某个任务失败后,其他任务是否继续执行。
3. 条件规划(Conditional Planning)
条件规划根据执行结果决定后续路径。
适用于: - 数据质量检查。 - 审批流程。 - 异常处理。 - 动态业务决策。
flowchart TD
A["执行数据检查"] --> B{"数据是否完整"}
B -->|"是"| C["执行数据分析"]
B -->|"否"| D["补充或修复数据"]
D --> E{"是否修复成功"}
E -->|"是"| C
E -->|"否"| F["终止分析并报告问题"]
C --> G["生成分析报告"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style C fill:#EAF3EC,stroke:#83A995,color:#315D49
style D fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style E fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style F fill:#F7EAE7,stroke:#C98D7C,color:#754438
style G fill:#DCEFE5,stroke:#4F8B70,color:#24563F
4. 迭代规划(Iterative Planning)
迭代规划通过不断执行、观察和调整,逐步接近目标。
适用于: - 代码修复。 - 内容优化。 - 参数调优。 - 复杂问题求解。
flowchart TD
A["生成初始计划"] --> B["执行任务"]
B --> C["评估执行结果"]
C --> D{"是否满足目标"}
D -->|"是"| E["完成任务"]
D -->|"否"| F["分析差距"]
F --> G["调整计划"]
G --> B
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style D fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style E fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style F fill:#F7EAE7,stroke:#C98D7C,color:#754438
style G fill:#EAE8FA,stroke:#A49BD5,color:#51477D
迭代规划需要设置: - 最大迭代次数。 - 任务总预算。 - 成功判断标准。 - 失败退出条件。 - 计划调整策略。
否则 Agent 可能陷入重复尝试,持续消耗 Token 和工具资源。
5. 分层规划(Hierarchical Planning)
分层规划将复杂任务分成多个抽象层次。
上层负责定义目标和子目标,下层负责具体操作。
例如:
flowchart TD
A["企业经营分析"]
A --> B["销售分析"]
A --> C["成本分析"]
A --> D["利润分析"]
B --> B1["查询销售数据"]
B --> B2["统计销售趋势"]
B --> B3["分析产品表现"]
C --> C1["查询成本数据"]
C --> C2["统计成本变化"]
D --> D1["计算利润率"]
D --> D2["分析利润变化"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style C fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style D fill:#EAF3EC,stroke:#83A995,color:#315D49
style B1 fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style B2 fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style B3 fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style C1 fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style C2 fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style D1 fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style D2 fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
分层规划的优势是可以控制复杂度。
上层不需要关注每个工具调用的细节,下层也不需要重新理解整个业务目标。
6. 规划模式对比
| 规划模式 | 核心特点 | 适用场景 | 主要风险 |
|---|---|---|---|
| Sequential | 固定顺序 | 流水线任务 | 执行效率较低 |
| Parallel | 多任务并行 | 独立子任务 | 资源竞争 |
| Conditional | 条件分支 | 动态决策 | 分支复杂 |
| Iterative | 反馈迭代 | 持续优化 | 无限循环 |
| Hierarchical | 多层任务分解 | 复杂目标 | 层级协调成本 |
实际 Agent 通常不是只使用一种模式,而是将多种模式组合成一个任务 DAG。
八、第五步:工具选择与任务分配
任务拆解完成后,Planner 需要确定每个子任务由谁执行,以及使用什么工具。
1. 任务与工具的映射
例如:
| 子任务 | 工具 | 输入 | 输出 |
|---|---|---|---|
| 查询销售数据 | SQL Tool | 时间范围 | 销售记录 |
| 检查数据质量 | Python Tool | 销售记录 | 质量报告 |
| 统计销售趋势 | Data Analysis Tool | 销售记录 | 趋势数据 |
| 分析下降原因 | LLM / Analysis Tool | 分析结果 | 原因列表 |
| 生成报告 | Report Tool | 分析结论 | 报告文件 |
工具选择不能只依赖工具名称,还需要考虑: - 工具描述是否匹配任务。 - 参数是否能够满足要求。 - 工具是否具有必要权限。 - 工具是否可用。 - 执行成本和延迟。 - 工具是否存在副作用。
2. 工具选择机制
工具选择可以由 LLM 进行语义判断,也可以结合规则和工具元数据。
一个常见过程:
flowchart TD
A["获取待执行任务"] --> B["提取任务能力需求"]
B --> C["检索可用工具"]
C --> D["匹配工具描述与参数"]
D --> E["检查工具权限"]
E --> F{"是否存在合适工具"}
F -->|"是"| G["选择工具"]
F -->|"否"| H["请求补充能力或人工处理"]
G --> I["生成调用参数"]
I --> J["提交 Tool Executor"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style C fill:#EAF3EC,stroke:#83A995,color:#315D49
style D fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style E fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style F fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style G fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style H fill:#F7EAE7,stroke:#C98D7C,color:#754438
style I fill:#EAF3EC,stroke:#83A995,color:#315D49
style J fill:#DCEFE5,stroke:#4F8B70,color:#24563F
3. 任务分配不等于工具调用
对于复杂系统,一个任务可能由多个工具共同完成。
例如,数据分析任务可能包含:
- SQL 工具负责读取数据。
- Python 工具负责统计计算。
- 图表工具负责生成图形。
- 文档工具负责生成报告。
Planner 需要决定的是任务执行方案,而不是简单地将所有工作交给一个工具。
九、第六步:结构化计划表示
Planner 最终应该生成结构化计划,而不是只返回自然语言描述。
结构化计划可以被 Runtime 直接调度,并支持状态更新、失败恢复和执行追踪。
1. 任务对象设计
一个标准任务对象可以包含:
| 字段 | 说明 |
|---|---|
| task_id | 任务唯一标识 |
| name | 任务名称 |
| description | 任务描述 |
| input | 输入数据或引用 |
| output | 预期输出 |
| dependencies | 前置任务 |
| assigned_tool | 执行工具 |
| status | 当前状态 |
| priority | 优先级 |
| timeout | 超时时间 |
| retry_policy | 重试策略 |
| success_criteria | 完成条件 |
2. 结构化计划示例
{
"plan_id": "sales_analysis_001",
"goal": "分析最近三个月销售下降原因",
"tasks": [
{
"task_id": "T1",
"name": "query_sales",
"description": "查询最近三个月销售数据",
"dependencies": [],
"assigned_tool": "sql_query",
"status": "pending",
"priority": 1,
"success_criteria": [
"查询成功",
"返回销售记录"
]
},
{
"task_id": "T2",
"name": "validate_data",
"description": "检查数据完整性",
"dependencies": ["T1"],
"assigned_tool": "python_analysis",
"status": "pending",
"priority": 1,
"success_criteria": [
"完成缺失值检查",
"输出数据质量报告"
]
},
{
"task_id": "T3",
"name": "analyze_trend",
"description": "分析销售趋势",
"dependencies": ["T2"],
"assigned_tool": "python_analysis",
"status": "pending",
"priority": 2,
"success_criteria": [
"生成月度趋势数据"
]
},
{
"task_id": "T4",
"name": "generate_report",
"description": "生成销售分析报告",
"dependencies": ["T3"],
"assigned_tool": "report_generator",
"status": "pending",
"priority": 3,
"success_criteria": [
"报告生成成功",
"包含数据和结论"
]
}
]
}
3. 为什么计划需要结构化?
如果计划只是自然语言:
先查数据,再分析,最后生成报告。
Runtime 很难准确判断: - 哪些任务已经完成。 - 哪些任务可以并行。 - 某个任务失败后如何恢复。 - 哪些结果应该传递给后续任务。 - 如何验证任务完成条件。
结构化计划使规划结果从模型文本变成系统可以执行和管理的数据。
十、第七步:计划验证(Plan Validation)
模型生成的计划不一定正确。
它可能包含: - 不存在的工具。 - 无效的参数。 - 错误的依赖关系。 - 循环依赖。 - 缺少必要步骤。 - 不可执行的操作。 - 违反用户约束的任务。
因此,计划必须经过验证。
1. 计划验证维度
| 验证维度 | 检查内容 |
|---|---|
| 结构验证 | 计划格式是否合法 |
| 目标覆盖 | 是否覆盖用户要求 |
| 依赖验证 | 是否存在循环依赖 |
| 工具验证 | 工具是否已注册 |
| 参数验证 | 参数是否符合 Schema |
| 权限验证 | 是否超出授权范围 |
| 资源验证 | 是否超出预算 |
| 可执行性 | 输入和前置条件是否满足 |
| 完成条件 | 是否能够判断任务成功 |
2. 计划验证流程
flowchart TD
A["接收 Planner 输出"] --> B["检查结构格式"]
B --> C["检查目标覆盖"]
C --> D["检查任务依赖"]
D --> E["检查工具和参数"]
E --> F["检查权限与预算"]
F --> G{"验证是否通过"}
G -->|"是"| H["提交执行调度"]
G -->|"否"| I["生成验证错误"]
I --> J["修正计划"]
J --> B
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style D fill:#EAF3EC,stroke:#83A995,color:#315D49
style E fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style F fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style G fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style H fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style I fill:#F7EAE7,stroke:#C98D7C,color:#754438
style J fill:#EAE8FA,stroke:#A49BD5,color:#51477D
3. 计划验证不能完全依赖 LLM
例如,模型可能生成了一个依赖关系:
- A 依赖 B。
- B 依赖 C。
- C 依赖 A。
模型可能没有意识到这是循环依赖。
因此,以下检查应由确定性程序完成: - JSON Schema 校验。 - DAG 环检测。 - 工具注册检查。 - 参数 Schema 校验。 - 权限校验。 - 资源预算检查。
LLM 更适合处理语义层面的目标覆盖和任务合理性判断。
十一、动态规划与 Replanning
传统工作流通常在执行前确定完整流程,而 Agent 面对的环境可能持续变化。
执行过程中可能出现: - 数据缺失。 - 工具调用失败。 - 新信息出现。 - 用户修改目标。 - 任务依赖发生变化。 - 原计划无法继续执行。
因此,Agent 需要动态规划(Dynamic Planning)能力。
1. 什么是动态规划?
这里的动态规划是指 Agent 根据当前任务状态和环境反馈,重新评估并调整执行计划。
它不同于算法领域的 Dynamic Programming(动态规划算法)。
Agent 动态规划的重点是:
- 保留已经完成的有效工作。
- 识别当前计划无法完成的部分。
- 分析失败原因。
- 重新生成后续任务。
- 验证新计划与原目标是否一致。
2. Replanning 触发条件
| 触发条件 | 典型情况 | 调整方式 |
|---|---|---|
| 工具失败 | API 不可用 | 更换工具或延迟重试 |
| 数据变化 | 数据源发生更新 | 重新获取相关数据 |
| 任务失败 | 测试未通过 | 修改方案并重新测试 |
| 新信息出现 | 发现新的关键因素 | 增加分析任务 |
| 用户修改目标 | 改变报告范围 | 更新目标和计划 |
| 资源不足 | Token 或时间预算不足 | 缩小范围或降级 |
3. 动态重规划流程
flowchart TD
A["执行当前计划"] --> B["获取执行反馈"]
B --> C["分析当前任务状态"]
C --> D{"原计划是否仍然可行"}
D -->|"是"| E["继续执行原计划"]
D -->|"否"| F["识别受影响任务"]
F --> G["保留已完成任务"]
G --> H["重新分析目标与约束"]
H --> I["生成新计划"]
I --> J["验证新计划"]
J --> K{"是否通过验证"}
K -->|"是"| L["更新任务 DAG"]
K -->|"否"| M["请求人工处理"]
L --> E
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style C fill:#EAF3EC,stroke:#83A995,color:#315D49
style D fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style E fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style F fill:#F7EAE7,stroke:#C98D7C,color:#754438
style G fill:#EAF3EC,stroke:#83A995,color:#315D49
style H fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style I fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style J fill:#EAF3EC,stroke:#83A995,color:#315D49
style K fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style L fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style M fill:#F7EAE7,stroke:#C98D7C,color:#754438
4. 局部重规划与全局重规划
局部重规划
只调整受到影响的任务及其下游依赖任务。
例如: - 原计划需要调用工具 A。 - 工具 A 暂时不可用。 - 使用工具 B 完成相同子任务。 - 后续任务保持不变。
优点: - 成本较低。 - 保留已有执行成果。 - 对任务状态影响较小。
全局重规划
重新分析整个目标和任务结构,生成新的执行方案。
适用于: - 用户目标发生重大变化。 - 原有计划整体不可行。 - 关键假设被推翻。 - 任务依赖结构发生重大变化。
生产环境通常优先采用局部重规划,只有必要时才执行全局重规划。
十二、任务调度与并发控制
Planner 负责生成计划,但实际执行还需要 Scheduler 进行任务调度。
Planner 和 Scheduler 的区别:
- Planner 决定任务应该如何组织。
- Scheduler 决定当前哪些任务可以执行,以及何时执行。
1. 调度器的职责
- 检查任务依赖是否满足。
- 找出当前可执行任务。
- 根据优先级选择任务。
- 控制并发数量。
- 分配执行资源。
- 处理任务超时和失败。
- 更新任务状态。
2. 可执行任务集合
假设任务 DAG 中:
- A 已完成。
- B、C、D 依赖 A。
- E 依赖 B 和 C。
- F 依赖 D。
当 A 完成后,B、C、D 都进入 Ready 状态。
当 B 和 C 完成后,E 才能进入 Ready 状态。
当 D 完成后,F 可以独立执行。
3. 任务调度流程
flowchart TD
A["Scheduler 获取任务 DAG"] --> B["检查任务状态"]
B --> C["检查依赖是否满足"]
C --> D["筛选 Ready 任务"]
D --> E["按优先级排序"]
E --> F["检查并发和资源限制"]
F --> G{"是否有可调度任务"}
G -->|"是"| H["分配执行资源"]
H --> I["启动任务"]
I --> J["收集执行结果"]
J --> K["更新任务状态"]
K --> B
G -->|"否"| L["等待任务完成或外部事件"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style D fill:#EAF3EC,stroke:#83A995,color:#315D49
style E fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style F fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style G fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style H fill:#EAF3EC,stroke:#83A995,color:#315D49
style I fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style J fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style K fill:#EAF3EC,stroke:#83A995,color:#315D49
style L fill:#F5F8F4,stroke:#B5CBBB,color:#40594A