一、什么是 Planning?
Planning(规划)是 Agent 在执行任务之前或执行过程中,根据目标、约束、当前状态和可用工具,构建并持续调整执行方案的过程。
它解决的核心问题不是简单地回答用户,而是确定:
- 做什么:明确最终目标与需要完成的子目标。
- 怎么做:确定执行步骤、工具和处理策略。
- 先做什么:分析任务之间的依赖关系。
- 如何判断完成:定义每个子任务和整体任务的完成条件。
- 失败怎么办:设计重试、替代方案、补偿和重新规划机制。
- 何时停止:判断目标是否达成,避免无限执行。
例如,用户提出:
分析最近三个月的销售数据,找出业绩下降的主要原因,并生成一份分析报告。
这不是一个简单的单步任务,而是包含数据获取、数据清洗、统计分析、原因识别、报告生成等多个环节的复合任务。
Agent 需要先理解目标,再拆解任务,确定依赖关系,选择工具,最后逐步执行和验证。
1. Planning 与相关概念的区别
| 概念 | 核心职责 | 关注重点 |
|---|---|---|
| Reasoning | 推理与判断 | 为什么这样做 |
| Planning | 制定执行方案 | 接下来做什么 |
| Task Decomposition | 任务分解 | 将目标拆成哪些子任务 |
| Execution | 执行任务 | 如何完成具体操作 |
| Workflow | 工作流编排 | 步骤如何按照规则运行 |
| Evaluation | 结果评估 | 执行结果是否符合要求 |
这些能力相互配合,但不能混为一谈。
Reasoning 可以帮助 Agent 判断某个任务应该如何处理;Planning 将判断结果组织成执行计划;Task Decomposition 将复杂目标细化为可执行单元;Execution 负责真正执行;Evaluation 判断执行结果是否满足要求。
二、为什么需要任务分解?
大模型虽然具备复杂推理能力,但直接执行复杂目标仍然存在明显问题:
- 上下文复杂:一个目标可能涉及大量信息、约束和业务规则。
- 执行步骤多:复杂任务通常包含多个相互依赖的操作。
- 工具调用不确定:外部工具可能超时、失败或返回异常数据。
- 结果难以验证:整体目标可能没有明确的单一判断标准。
- 错误传播:前置步骤出现错误,可能导致后续所有步骤失效。
- 执行成本高:不合理的步骤安排会造成重复调用和资源浪费。
任务分解的价值在于降低单个执行单元的复杂度,让 Agent 能够独立执行、检查和恢复每个子任务。
1. 整体目标与子任务
以销售数据分析为例:
整体目标:
生成最近三个月的销售分析报告,识别业绩下降原因。
分解后的子任务:
| 编号 | 子任务 | 输出 |
|---|---|---|
| T1 | 确认分析时间范围和指标定义 | 分析口径 |
| T2 | 获取销售数据 | 原始数据集 |
| T3 | 检查数据完整性和质量 | 数据质量报告 |
| T4 | 清洗和转换数据 | 标准化数据集 |
| T5 | 计算销售趋势和关键指标 | 统计结果 |
| T6 | 分析区域、产品和渠道表现 | 维度分析结果 |
| T7 | 识别业绩下降的主要因素 | 原因分析 |
| T8 | 生成分析报告 | 最终报告 |
其中,T3 依赖 T2,T4 依赖 T3,T5 和 T6 依赖 T4,T7 依赖 T5 和 T6,T8 依赖 T7。
任务分解并不只是把一句话拆成多个句子,而是要形成可以执行、可以验证、可以追踪的任务结构。
三、任务分解的核心原则
1. 目标明确
每个子任务都应该有明确的目标,避免出现模糊描述。
不合理的任务:
- 分析数据。
- 处理结果。
- 优化报告。
这些任务没有说明具体操作和预期结果,无法判断是否完成。
更合理的任务:
- 按月份统计销售额、订单数和客单价。
- 计算每个区域的销售额同比和环比变化。
- 找出销售额下降幅度最大的三个产品类别。
- 根据统计结果生成包含结论和数据依据的分析报告。
2. 输入和输出明确
每个任务都应该定义输入和输出。
例如:
{
"task_id": "T5",
"name": "计算销售趋势",
"description": "按月份计算销售额、订单数和客单价",
"inputs": {
"dataset": "cleaned_sales_data",
"time_range": "last_3_months"
},
"outputs": {
"monthly_metrics": "MonthlyMetrics"
},
"status": "pending"
}
输入定义任务需要什么数据,输出定义任务完成后应该产生什么结果。
明确的输入输出契约可以减少子任务之间的歧义,也有利于任务重试、并行执行和结果验证。
3. 依赖关系明确
任务之间通常存在依赖关系。
例如:
- 数据分析依赖数据获取。
- 报告生成依赖分析结果。
- 发布报告依赖报告审核。
如果没有正确识别依赖关系,Agent 可能在必要数据尚未产生时就执行后续任务。
4. 粒度适中
任务拆得太粗,执行过程难以控制;拆得太细,则会产生大量任务调度和上下文管理开销。
例如:
拆分过粗:
T1:完成销售分析并生成报告
无法独立控制数据获取、统计分析和报告生成。
拆分过细:
T1:读取文件
T2:读取第一列
T3:读取第二列
T4:读取第三列
T5:计算第一行
T6:计算第二行
任务数量过多,增加调度成本。
合理拆分:
T1:获取销售数据
T2:清洗数据
T3:计算关键指标
T4:分析业务维度
T5:归纳下降原因
T6:生成报告
合理的粒度应当以独立执行、明确验收和可恢复为主要判断标准。
5. 完成条件明确
任务不能只定义执行动作,还需要定义完成标准。
例如:
{
"task_id": "T3",
"name": "数据质量检查",
"completion_criteria": [
"关键字段不存在空值",
"日期格式符合要求",
"销售金额均为有效数值",
"重复订单已经识别"
]
}
没有完成条件,Agent 就可能将工具调用成功误认为任务成功。
四、任务分解的常见方法
不同任务具有不同结构,Agent 可以采用不同的分解策略。
1. 顺序分解(Sequential Decomposition)
将复杂任务拆成具有严格先后顺序的子任务。
适用于:
- 数据处理流水线。
- 文档处理。
- 代码编译与测试。
- 需要逐步验证的业务流程。
flowchart TD
A["接收整体目标"] --> B["任务 T1:获取数据"]
B --> C["任务 T2:清洗数据"]
C --> D["任务 T3:分析数据"]
D --> E["任务 T4:生成报告"]
E --> F["验证最终结果"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style C fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style D fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style E fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style F fill:#DCEFE5,stroke:#4F8B70,color:#24563F
顺序分解的优点是结构简单、执行过程容易追踪;缺点是无法充分利用任务之间的并行机会。
2. 并行分解(Parallel Decomposition)
当多个子任务之间不存在直接依赖关系时,可以同时执行。
例如,分析销售数据时,可以同时统计不同区域、产品类别和销售渠道的表现。
flowchart TD
A["获取并清洗销售数据"] --> B["区域销售分析"]
A --> C["产品销售分析"]
A --> D["渠道销售分析"]
B --> E["汇总分析结果"]
C --> E
D --> E
E --> F["生成综合结论"]
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
并行执行需要关注:
- 任务是否真正独立。
- 是否存在共享资源竞争。
- 是否需要对结果进行聚合。
- 并发数量是否超过系统限制。
- 某个任务失败是否影响其他任务。
并行不代表所有任务都可以同时执行。只有在输入数据已经就绪、任务之间不存在未解决依赖时,才适合并行调度。
3. 层级分解(Hierarchical Decomposition)
将复杂目标拆成多个子目标,再进一步将子目标拆成具体任务。
例如:
销售分析
├── 数据准备
│ ├── 获取销售数据
│ ├── 检查数据质量
│ └── 清洗数据
├── 业务分析
│ ├── 时间趋势分析
│ ├── 区域分析
│ └── 产品分析
└── 报告生成
├── 汇总分析结果
├── 提炼核心结论
└── 生成报告
层级分解适用于目标范围较大、包含多个业务模块的复杂任务。
它能够控制规划复杂度,也方便不同 Agent 或子规划器负责不同领域。
需要注意,层级结构不一定意味着执行顺序。一个层级下的多个任务仍然可能存在依赖关系,也可能并行执行。
4. 条件分解(Conditional Decomposition)
根据执行结果决定后续任务。
例如,数据质量检查通过后继续分析;未通过时先进行数据修复。
flowchart TD
A["获取销售数据"] --> B["检查数据质量"]
B --> C{"数据质量是否合格"}
C -->|"是"| D["执行销售分析"]
C -->|"否"| E["执行数据修复"]
E --> F{"修复是否成功"}
F -->|"是"| D
F -->|"否"| G["记录失败并请求人工处理"]
D --> H["生成分析报告"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style C fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style D fill:#EAF3EC,stroke:#83A995,color:#315D49
style E fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style F fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style G fill:#F7EAE7,stroke:#C98D7C,color:#754438
style H fill:#DCEFE5,stroke:#4F8B70,color:#24563F
条件分解的关键是将判断逻辑显式化,避免 Agent 在执行过程中随意改变任务路径。
5. 迭代分解(Iterative Decomposition)
有些任务无法一次性确定完整计划,需要根据中间结果不断细化。
例如,用户要求分析某个系统的性能瓶颈。Agent 可能先进行整体性能分析,再根据发现的热点深入分析数据库、网络或 CPU。
flowchart TD
A["接收复杂目标"] --> B["生成初始任务计划"]
B --> C["执行当前任务"]
C --> D["评估中间结果"]
D --> E{"是否发现需要深入处理的问题"}
E -->|"是"| F["生成新的子任务"]
F --> G["更新任务计划"]
G --> C
E -->|"否"| H{"整体目标是否完成"}
H -->|"否"| B
H -->|"是"| I["输出最终结果"]
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:#E0F0FE,stroke:#93BCE8,color:#1E4976
style G fill:#EAF3EC,stroke:#83A995,color:#315D49
style H fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style I fill:#DCEFE5,stroke:#4F8B70,color:#24563F
迭代分解能够适应未知问题,但必须设置最大迭代次数、预算和终止条件,防止无限扩展任务。
五、任务依赖关系与 DAG
复杂任务通常不能仅用列表表示。
例如:
T1:获取销售数据
T2:获取产品信息
T3:清洗销售数据
T4:关联产品信息
T5:统计销售指标
T6:分析销售原因
T7:生成报告
其中:
- T3 依赖 T1。
- T4 依赖 T2 和 T3。
- T5 依赖 T4。
- T6 依赖 T5。
- T7 依赖 T6。
这种关系可以使用有向无环图(DAG,Directed Acyclic Graph)表示。
1. DAG 的基本结构
DAG 由节点和有向边组成:
- 节点:表示一个任务。
- 有向边:表示任务之间的依赖关系。
- 无环:不存在从某个任务出发又回到自身的依赖路径。
flowchart TD
A["T1:获取销售数据"] --> C["T3:清洗销售数据"]
B["T2:获取产品信息"] --> D["T4:关联产品信息"]
C --> D
D --> E["T5:统计销售指标"]
E --> F["T6:分析销售原因"]
F --> G["T7:生成报告"]
style A fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style B fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style C fill:#EAF3EC,stroke:#83A995,color:#315D49
style D fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style E fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style F fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style G fill:#DCEFE5,stroke:#4F8B70,color:#24563F
这里 T1 和 T2 没有直接依赖关系,因此可以同时执行。
当 T1 和 T2 均完成,并且 T3 完成后,T4 才具备执行条件。
2. DAG 的执行机制
DAG 通常使用拓扑排序确定任务的合法执行顺序。
拓扑排序可以得到满足依赖关系的任务顺序,但不意味着只有一种执行顺序。
例如:
T1、T2 可以并行
T3 必须等待 T1
T4 必须等待 T2 和 T3
调度器需要动态判断任务是否已经满足执行条件。
一个任务通常需要具备以下状态:
| 状态 | 含义 |
|---|---|
| PENDING | 等待执行 |
| READY | 依赖已满足,可以执行 |
| RUNNING | 正在执行 |
| SUCCESS | 执行成功 |
| FAILED | 执行失败 |
| BLOCKED | 被失败依赖阻塞 |
| SKIPPED | 根据条件被跳过 |
| CANCELLED | 已取消 |
3. DAG 与循环依赖
DAG 不允许存在循环依赖。
例如:
T1 依赖 T2
T2 依赖 T3
T3 依赖 T1
三个任务互相等待,没有任何任务可以启动。
因此,任务计划生成后,需要执行依赖关系校验:
- 是否存在自依赖。
- 是否存在循环依赖。
- 是否存在不存在的依赖节点。
- 是否存在无法到达的任务。
- 是否存在永远无法满足的前置条件。
需要注意,业务过程可能需要反复迭代,但不应该直接在静态 DAG 中构造循环边。迭代应当通过显式循环控制、状态机或动态生成新任务来实现。
六、任务计划的数据结构
为了让 Planning 从语言描述转化为可执行结构,需要定义统一的任务模型。
一个任务至少应该包含以下字段:
| 字段 | 说明 |
|---|---|
| task_id | 唯一任务标识 |
| name | 任务名称 |
| description | 任务描述 |
| inputs | 输入参数 |
| outputs | 输出定义 |
| dependencies | 前置依赖 |
| tool | 使用的工具 |
| status | 执行状态 |
| priority | 优先级 |
| timeout | 超时时间 |
| retry_policy | 重试策略 |
| completion_criteria | 完成条件 |
| risk_level | 风险等级 |
示例:
{
"task_id": "T5",
"name": "计算销售指标",
"description": "计算月度销售额、订单数和客单价",
"inputs": {
"dataset": "cleaned_sales_data"
},
"outputs": {
"metrics": "MonthlySalesMetrics"
},
"dependencies": [
"T4"
],
"tool": "python_data_analyzer",
"status": "pending",
"priority": 2,
"timeout": 60,
"retry_policy": {
"max_attempts": 3,
"backoff": "exponential"
},
"completion_criteria": [
"所有月份均生成统计结果",
"指标计算通过校验"
],
"risk_level": "low"
}
任务结构需要同时满足模型可理解和执行引擎可解析两个要求。
不能只依赖自然语言描述,否则调度器很难可靠地识别任务依赖、执行状态和重试条件。
七、Planning 的核心执行架构
在 Agent 系统中,Planning 通常不是一个独立的提示词,而是一组协同工作的模块。
典型架构包括:
| 模块 | 职责 |
|---|---|
| Goal Parser | 解析用户目标 |
| Constraint Extractor | 提取约束条件 |
| Planner | 生成任务计划 |
| Task Decomposer | 拆分复杂任务 |
| Dependency Analyzer | 分析任务依赖 |
| Scheduler | 决定任务执行时机 |
| Executor | 调用工具执行任务 |
| State Manager | 管理任务状态 |
| Verifier | 验证执行结果 |
| Replanner | 根据反馈重新规划 |
1. 整体架构
flowchart TD
A["用户目标"] --> B["Goal Parser"]
B --> C["Constraint Extractor"]
C --> D["Planner"]
D --> E["Task Decomposer"]
E --> F["Dependency Analyzer"]
F --> G["Task Plan / DAG"]
G --> H["Scheduler"]
H --> I["Executor"]
I --> J["工具与外部系统"]
J --> K["执行结果"]
K --> L["Verifier"]
L --> M{"任务是否完成"}
M -->|"是"| N["更新任务状态"]
M -->|"否"| O["Replanner"]
O --> G
N --> P{"整体目标是否完成"}
P -->|"否"| H
P -->|"是"| Q["输出最终结果"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style C fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style D fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style E fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style F fill:#EAF3EC,stroke:#83A995,color:#315D49
style G fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style H fill:#EAF3EC,stroke:#83A995,color:#315D49
style I fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style J fill:#EAF3EC,stroke:#83A995,color:#315D49
style K fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style L fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style M fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style N fill:#EAF3EC,stroke:#83A995,color:#315D49
style O fill:#F7EAE7,stroke:#C98D7C,color:#754438
style P fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style Q fill:#DCEFE5,stroke:#4F8B70,color:#24563F
2. Planner:计划生成器
Planner 负责根据目标和约束生成计划。
输入通常包括:
- 用户目标。
- 当前对话上下文。
- 可用工具清单。
- 用户提供的数据。
- 执行环境状态。
- 预算和权限约束。
输出是结构化任务计划。
Planner 可以由大模型实现,也可以由规则引擎或传统规划算法实现。
3. Task Decomposer:任务分解器
Task Decomposer 将高层目标拆成更小的执行单元。
它需要判断:
- 是否需要继续拆分。
- 每个任务是否具有明确边界。
- 是否存在任务依赖。
- 哪些任务可以并行。
- 是否需要子 Agent 处理。
- 是否存在无法执行的任务。
任务分解不是越细越好。当任务已经具备明确输入、输出和完成条件时,通常没有必要继续拆分。
4. Scheduler:任务调度器
Scheduler 负责决定哪些任务可以执行。
它不负责理解复杂业务目标,而是根据任务依赖、优先级、资源和状态进行调度。
例如:
- 依赖全部满足的任务进入 READY。
- READY 任务按照优先级和资源限制分配执行槽位。
- 执行成功后更新状态。
- 失败后阻塞相关下游任务或触发恢复策略。
5. Verifier:任务验证器
Verifier 负责判断执行结果是否满足任务要求。
验证不能只看工具有没有返回成功,还需要检查:
- 返回数据是否完整。
- 数据格式是否正确。
- 关键指标是否满足约束。
- 结果是否与任务目标一致。
- 是否存在异常或不可信内容。
Verifier 的结果可以触发任务通过、重试、修复或重新规划。
八、LLM 如何生成任务计划?
大模型是当前 Agent Planning 中常见的规划器实现方式。
它擅长理解自然语言目标、识别隐含约束、生成任务步骤,以及根据执行反馈调整计划。
但 LLM 输出的计划本质上仍然是候选方案,不能直接视为经过验证的可执行程序。
1. 规划提示词
可以为 Planner 定义明确的输出要求:
你是一个任务规划器。
根据用户目标生成结构化任务计划。
要求:
1. 将复杂目标拆分成可独立执行的子任务。
2. 每个任务必须有明确的输入和输出。
3. 明确任务之间的依赖关系。
4. 标记可以并行执行的任务。
5. 为每个任务定义完成条件。
6. 选择合适的工具。
7. 识别任务风险和执行约束。
8. 不要生成超出用户授权范围的操作。
9. 如果信息不足,明确指出缺失信息。
10. 输出符合指定 JSON Schema 的结果。
用户目标:
分析最近三个月的销售数据并生成报告。
2. 结构化计划输出
Planner 可以返回类似下面的结果:
{
"goal": "生成最近三个月的销售分析报告",
"tasks": [
{
"id": "T1",
"name": "获取销售数据",
"dependencies": [],
"tool": "sales_data_api",
"outputs": ["raw_data"]
},
{
"id": "T2",
"name": "获取产品信息",
"dependencies": [],
"tool": "product_api",
"outputs": ["product_data"]
},
{
"id": "T3",
"name": "清洗销售数据",
"dependencies": ["T1"],
"tool": "python",
"outputs": ["cleaned_data"]
},
{
"id": "T4",
"name": "关联产品信息",
"dependencies": ["T2", "T3"],
"tool": "python",
"outputs": ["merged_data"]
},
{
"id": "T5",
"name": "统计销售指标",
"dependencies": ["T4"],
"tool": "python",
"outputs": ["metrics"]
},
{
"id": "T6",
"name": "生成销售报告",
"dependencies": ["T5"],
"tool": "report_generator",
"outputs": ["report"]
}
]
}
结构化输出有利于后续调度和验证,但仍需要执行 Schema 校验、依赖校验、工具权限校验和业务规则校验。
3. 为什么不能完全相信 LLM 生成的计划?
LLM 生成计划时可能出现:
- 引用不存在的工具。
- 生成错误的参数。
- 忽略必要的前置依赖。
- 将不能并行的任务设置为并行。
- 漏掉关键验收步骤。
- 生成循环依赖。
- 将高风险操作直接纳入执行计划。
- 计划本身无法满足用户约束。
因此,生产环境通常采用混合规划架构:
LLM 负责理解和生成候选计划,确定性程序负责验证和调度。
九、Planning 与任务执行的协同
规划并不是一次性完成的静态过程。
Agent 在执行任务时,可能发现新信息、遇到异常或发现原始假设不成立,因此需要不断调整计划。
1. 静态规划与动态规划
| 类型 | 特点 | 适用场景 |
|---|---|---|
| 静态规划 | 执行前生成完整计划 | 规则明确、环境稳定 |
| 动态规划 | 根据执行反馈不断调整 | 环境变化、结果不确定 |
| 混合规划 | 先生成初始计划,再局部调整 | 大多数复杂 Agent 任务 |
静态规划有利于控制执行路径,但容易受到意外情况影响。
动态规划适应性更强,但会增加模型调用成本和执行不确定性。
实际系统通常采用混合规划:先形成可执行的初始计划,在必要时进行局部重规划。
2. 动态重规划
假设 Agent 在获取销售数据时发现某个数据源不可用。
原始计划:
T1:从数据源 A 获取销售数据
T2:清洗销售数据
T3:分析销售趋势
T4:生成报告
如果 T1 失败,Agent 可以选择:
- 重试数据源 A。
- 切换到数据源 B。
- 使用已经授权的缓存数据。
- 请求用户提供数据文件。
- 终止任务并说明原因。
动态重规划的关键是保留已经成功完成的任务结果,而不是每次失败都重新执行整个计划。
3. 重规划的完整流程
flowchart TD
A["执行当前任务"] --> B["收集执行结果"]
B --> C["验证任务输出"]
C --> D{"执行是否成功"}
D -->|"是"| E["更新任务状态"]
D -->|"否"| F["分析失败原因"]
F --> G{"是否可以重试"}
G -->|"是"| H["按重试策略重新执行"]
H --> A
G -->|"否"| I{"是否存在替代方案"}
I -->|"是"| J["生成替代任务计划"]
J --> K["验证新计划"]
K --> L{"新计划是否合法"}
L -->|"是"| M["更新任务图"]
M --> A
L -->|"否"| N["请求人工介入"]
I -->|"否"| N
E --> O["检查整体目标"]
O --> P{"是否全部完成"}
P -->|"是"| Q["输出最终结果"]
P -->|"否"| A
style A fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#EAE8FA,stroke:#A49BD5,color:#51477D
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:#F7F4E8,stroke:#C7B77A,color:#675A2D
style H fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style I fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style J fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style K fill:#EAF3EC,stroke:#83A995,color:#315D49
style L fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style M fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style N fill:#F7EAE7,stroke:#C98D7C,color:#754438
style O fill:#EAF3EC,stroke:#83A995,color:#315D49
style P fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style Q fill:#DCEFE5,stroke:#4F8B70,color:#24563F