Agent 的大脑 —— 先想后做,让每一步行动都有章可循
想象你去超市购物前,先写一张购物清单:
牛奶、面包、鸡蛋、蔬菜……
有了清单,你就不会在超市里迷路,也不会忘买东西。
规划系统就是 Agent 的「购物清单」。
没有计划的 Agent 就像没有地图的旅行者 —— 会漂泊
一个 Agent 面对复杂任务时,不应该立刻动手,而应该先规划—— 把大任务拆成小任务,确定优先级,理清依赖关系,然后一步步执行。
接到任务就冲,做到一半发现漏了依赖,回头重做,效率低下。
先列出任务清单,理清依赖,按优先级执行,有条不紊地完成。
🏗️ 类比:盖房子之前需要蓝图,
旅行之前需要行程规划,
Agent 执行任务之前需要规划系统。
任务列表管理器
增删改查任务清单
像冰箱上的便利贴
任务依赖与执行引擎
管理依赖、优先级、状态
像项目经理的甘特图
像便利贴一样管理你的待办事项
点击任务卡片可以切换状态 →
添加新任务
更新任务内容
标记完成
取消任务
列出所有任务
清空任务列表
有些任务必须等其他任务完成才能开始
场景:搭建一个 Web 应用。注意箭头方向 —— 被依赖的任务必须先完成。
一个简洁的任务列表管理器
Python class TodoItem: """单个待办事项""" def __init__(self, content: str, status: str = "pending"): self.content = content # 任务内容 self.status = status # pending / in-progress / done class TodoWrite: """任务列表管理器 —— 冰箱上的便利贴""" def __init__(self): self.todos: list[TodoItem] = [] def add(self, content: str): """添加新任务""" self.todos.append(TodoItem(content)) return f"✅ 已添加: {content}" def update(self, index: int, content: str): """更新任务内容""" self.todos[index].content = content return f"✏️ 已更新第 {index} 项" def complete(self, index: int): """标记任务完成""" self.todos[index].status = "done" return f"🎉 已完成: {self.todos[index].content}" def cancel(self, index: int): """取消任务""" self.todos[index].status = "cancelled" return f"🚫 已取消: {self.todos[index].content}" def list_todos(self): """列出所有任务""" return [f"[{t.status}] {t.content}" for t in self.todos] def clear(self): """清空所有任务""" self.todos.clear()
增强版的任务管理,支持导出为 Markdown
Python class TodoManager: """增强版任务管理器""" def __init__(self): self.tasks: list[dict] = [] def add_task(self, content: str, priority: str = "MEDIUM"): """添加任务,支持优先级""" task = { "id": len(self.tasks), "content": content, "status": "pending", "priority": priority } self.tasks.append(task) return task def mark_complete(self, task_id: int): """标记任务完成""" self.tasks[task_id]["status"] = "done" def export_markdown(self) -> str: """导出为 Markdown 格式""" lines = ["# 📋 任务清单\n"] for t in self.tasks: check = "x" if t["status"] == "done" else " " lines.append(f"- [{check}] **{t['priority']}** {t['content']}") return "\n".join(lines)
核心:任务依赖管理与智能调度
Python from enum import Enum class TaskState(Enum): PENDING = "pending" # 已创建,等待依赖满足 READY = "ready" # 依赖已满足,可以执行 RUNNING = "running" # 正在执行 COMPLETED = "completed" # 执行成功 FAILED = "failed" # 执行失败 BLOCKED = "blocked" # 被依赖阻塞 class Priority(Enum): CRITICAL = 4 HIGH = 3 MEDIUM = 2 LOW = 1 class TaskManager: def __init__(self): self.tasks: dict[int, dict] = {} self.next_id = 0 def create_task(self, title: str, priority="MEDIUM", blocked_by: list[int] = None): """创建任务,可指定依赖""" task_id = self.next_id self.next_id += 1 # 如果有依赖,状态为 BLOCKED;否则为 READY state = TaskState.BLOCKED if blocked_by else TaskState.READY self.tasks[task_id] = { "id": task_id, "title": title, "priority": priority, "state": state, "blocked_by": set(blocked_by or []), "dependents": set() # 谁依赖了我 } # 注册依赖关系 for dep_id in (blocked_by or []): self.tasks[dep_id]["dependents"].add(task_id) return task_id def complete_task(self, task_id: int): """完成任务,并解锁依赖它的任务""" self.tasks[task_id]["state"] = TaskState.COMPLETED # 遍历依赖此任务的其他任务 for dep_id in self.tasks[task_id]["dependents"]: dep = self.tasks[dep_id] dep["blocked_by"].discard(task_id) # 如果所有依赖都完成了,状态变为 READY if not dep["blocked_by"]: dep["state"] = TaskState.READY def get_next_task(self) -> dict | None: """获取下一个应执行的任务(按优先级)""" ready = [t for t in self.tasks.values() if t["state"] == TaskState.READY] if not ready: return None # 按优先级排序,返回最高的 return max(ready, key=lambda t: Priority[t["priority"]].value)
create_task:创建任务并声明依赖(blocked_by)complete_task:完成任务后自动解锁下游依赖get_next_task:智能选择下一个应执行的任务(按优先级)
看看规划系统如何解决真实问题
Python # 创建任务管理器 mgr = TaskManager() # 第一步没有依赖 t0 = mgr.create_task("分析代码结构", "CRITICAL") # 后续任务依赖前一个 t1 = mgr.create_task("编写单元测试", "HIGH", blocked_by=[t0]) t2 = mgr.create_task("执行重构", "HIGH", blocked_by=[t1]) t3 = mgr.create_task("回归测试", "MEDIUM", blocked_by=[t2]) t4 = mgr.create_task("更新文档", "LOW", blocked_by=[t2]) # 智能调度:每次获取下一个该执行的任务 while task := mgr.get_next_task(): print(f"▶ 执行: {task['title']}") # ... 执行任务 ... mgr.complete_task(task["id"]) # 完成后,下游任务自动解锁!
get_next_task 会自动选择优先级最高的就绪任务。
检验你的理解,5 道题等你挑战
点击展开,深入了解规划系统的高级话题
好的任务分解是规划系统的基础。以下是几个关键原则:
粒度控制:任务不宜太粗("开发整个系统")也不宜太细("写一行代码")。 理想粒度是每个任务可在 5-30 分钟内完成,有明确的输入和输出。
简单的优先级排序可能不够。在复杂场景中,需要综合考虑多个因素:
# 综合优先级 = 权重加权 score = ( priority_weight * 0.4 # 基础优先级 + urgency_weight * 0.3 # 紧急程度 + dependency_weight * 0.2 # 被依赖数量(越多人等它越重要) + effort_weight * 0.1 # 预估工作量(快的任务先做) )
关键洞见:被很多任务依赖的节点(如数据库 Schema), 即使基础优先级不高,也应该优先执行,因为它会阻塞整个工作流。
规划系统不是孤立存在的,它与 Agent 的主循环紧密集成:
while True: # 1. 获取用户请求 request = get_user_input() # 2. 📋 规划阶段:分解任务 tasks = planner.decompose(request) for t in tasks: task_mgr.create_task(...) # 3. 🔁 执行循环 while task := task_mgr.get_next_task(): result = execute(task) task_mgr.complete_task(task.id) # 4. 📊 汇总结果 report = summarize_results()
动态重规划:如果某个任务失败, Agent 可以重新评估计划,创建新的修复任务并插入到依赖图中。 这就是"Think → Act → Observe → Replan"的循环。
规划系统让 Agent 在行动前先制定计划,避免盲目执行
简单任务清单管理器,支持增删改查六种操作
高级任务引擎,支持依赖管理、优先级调度、状态流转
通过 blocked_by 声明依赖,完成任务自动解锁下游
CRITICAL > HIGH > MEDIUM > LOW,get_next_task 自动选最高
Pending → Ready → Running → Completed/Failed/Blocked