智能体设计范式：Plan-and-Solve 范式
1 核心思想
Plan-and-Solve（先规划后执行）认为直接单步推理容易遗漏或出错，更好的做法是先让模型生成一个完成任务的步骤计划，然后逐步执行该计划，每步可以调用工具，最后汇总结果得到最终答案。
2 工作原理
- 规划阶段：给模型一个问题，要求其输出一个分步计划（例如
1. 搜索2022世界杯冠军\n2. 搜索该冠军的主教练\n3. 综合信息给出答案）。 - 执行阶段：遍历计划中的每一步，将步骤指令作为提示，允许模型调用工具（类似 ReAct 单步），获得该步骤的结果。
- 综合阶段：将所有步骤的中间结果提供给模型，让它生成最终答案。
3 使用场景
- 复杂的多跳推理问题，需要分解为多个子任务。
- 数学应用题、需要多步查询的知识问题。
- 需要遵循固定流程的任务（如旅行规划、报告生成）。
4 优缺点
优点
- 全局规划减少盲目试探，提高效率。
- 任务步骤清晰，便于调试和人工干预。
- 可并行执行无依赖的步骤（高级实现）。
缺点
- 计划可能不完善或错误，导致执行偏差。
- 依赖模型规划能力，对简单问题反而增加步骤数。
- 缺乏动态调整能力（静态计划难以应对意外情况）。
5 Python 实现
importreimportrequestsfromtypingimportListclassAliYunLLM:...# 定义与前文相同# ---------- 工具集 ----------defsearch(query:str)->str:"""真实搜索：使用 DuckDuckGo 免费 API"""try:url=f"https://api.duckduckgo.com/?q={requests.utils.quote(query)}&format=json"resp=requests.get(url,timeout=5)data=resp.json()# 优先返回“AbstractText”摘要abstract=data.get("AbstractText","")ifabstract:returnabstract# 如果没有摘要，尝试取第一个关联主题的文本related=data.get("RelatedTopics",[])ifrelatedand"Text"inrelated[0]:returnrelated[0]["Text"]returnf"未找到关于'{query}'的信息。"exceptExceptionase:returnf"搜索出错：{e}"defcalculator(expression:str)->str:try:ifre.match(r'^[\d\+\-\*/\(\)\.\s]+$',expression):returnstr(eval(expression))else:return"非法表达式"exceptExceptionase:returnf"计算错误：{e}"TOOLS={"search":search,"calculator":calculator}# ---------- Plan-and-Solve Agent ----------classPlanAndSolveAgent:def__init__(self,llm:AliYunLLM):self.llm=llmdef_make_plan(self,question:str)->List[str]:system_prompt=("你是一个规划助手。请将用户的问题分解为详细的步骤计划，每步应简单明确，可单独执行。\n""输出格式：每行一个步骤，以数字加点开头，如：\n""1. 搜索X的信息\n""2. 计算Y的值\n""3. 结合信息得到最终答案\n""请只输出步骤，不要其他内容。")plan_text=self.llm.generate(question,system_prompt=system_prompt)print(f"生成计划：\n{plan_text}")# 解析步骤，提取每行数字开头的文本steps=re.findall(r"\d+\.\s*(.*)",plan_text)returnstepsdef_execute_step(self,step_description:str,context:str="")->str:"""执行单个步骤，允许调用工具"""tool_descriptions=("- search(query: str): 搜索互联网。\n""- calculator(expression: str): 计算表达式。")system_prompt=("你是一个执行助手。你需要完成一个子任务。你可以使用以下工具：\n"f"{tool_descriptions}\n\n""输出格式：如果需要使用工具，请严格按照以下格式：\n""Action: 工具名\n""Action Input: 输入参数\n""然后你会收到 Observation，之后再给出该步骤的最终结果。\n""如果你已经可以得出该步骤的结果，请直接输出：\n""Step Result: 结果内容\n")prompt=f"当前任务：{step_description}\n"ifcontext:prompt+=f"已知上下文信息：{context}\n"prompt+="请完成这个子任务。"# 单步骤内部允许最多2次工具调用for_inrange(2):response=self.llm.generate(prompt,system_prompt=system_prompt)print(f"步骤执行输出：{response}")if"Step Result:"inresponse:result=response.split("Step Result:")[-1].strip()returnresult# 尝试解析 Actionaction_match=re.search(r"Action:\s*(.*)",response)input_match=re.search(r"Action Input:\s*(.*)",response)ifaction_matchandinput_match:action=action_match.group(1).strip()action_input=input_match.group(1).strip()ifactioninTOOLS:obs=TOOLS[action](action_input)prompt+=f"{response}\nObservation:{obs}\n"continue# 无法解析则直接返回模型的回复作为步骤结果returnresponse.strip()returnresponse.strip()defrun(self,question:str)->str:# 阶段1：生成计划steps=self._make_plan(question)ifnotsteps:return"无法生成计划。"# 阶段2：逐步执行step_results=[]context=""fori,stepinenumerate(steps,1):print(f"\n执行步骤{i}:{step}")result=self._execute_step(step,context)step_results.append(f"步骤{i}结果:{result}")context+=f"步骤{i}结果:{result}\n"print(f"步骤{i}结果:{result}")# 阶段3：综合最终答案summary_prompt=(f"问题：{question}\n"f"以下是各步骤的执行结果：\n"+"\n".join(step_results)+"\n请结合这些信息，给出最终的完整答案。")final_answer=self.llm.generate(summary_prompt,system_prompt="你是一个总结助手，请直接给出最终答案。")returnfinal_answer# ---------- 示例运行 ----------if__name__=="__main__":llm=AliYunLLM(api_key="your-api-key",base_url="https://dashscope.aliyuncs.com/api/v1",model="qwen-plus")agent=PlanAndSolveAgent(llm)question="2022年世界杯冠军的现任主教练是谁？"answer=agent.run(question)print(f"\n最终答案：{answer}")
