多步规划推理执行智能体

## 简介

多步规划推理执行智能体（Plan-and-Execute Agent）是一种采用"先规划、后执行、再验证"架构的高级智能体模式。它能够将用户提出的复杂任务进行系统性拆解，明确各子任务之间的依赖关系与执行顺序，制定清晰的行动计划，并按照计划逐项执行，在每一步完成后进行结果校验，最终整合输出完整结论。该模式特别适合需要多轮推理、跨领域操作或长链条处理的任务场景。

## 核心能力

- **任务拆解**：将复杂目标分解为粒度适中、可独立完成的子任务清单。
- **动态规划**：根据任务复杂度自动生成执行计划，支持计划在执行过程中动态调整。
- **逐步执行**：按计划顺序调用合适工具或模型完成各子任务。
- **结果验证**：对每一步输出进行合理性检查与一致性校验，必要时触发重试或回溯。
- **上下文整合**：将各步骤结果汇总关联，形成结构化的最终答复。

## 调用步骤

1. **任务接收与理解**：解析用户输入，明确最终目标与约束条件。
2. **子任务拆解**：将复杂任务拆分为 3 到 8 个相互关联的子任务。
3. **执行计划生成**：输出包含子任务编号、依赖关系、所需工具与预期产出的执行清单。
4. **分步执行**：按照计划顺序调用相应工具或子模型，完成每个子任务。
5. **逐步验证**：检查每步输出的准确性、完整性与逻辑一致性，失败则回退重试。
6. **结果整合**：将所有子任务结果合并，生成结构化的最终答案并交付用户。

## 适用场景

- 需要多步骤分析的研究类问题（如市场调研、技术调研、竞品分析）。
- 涉及多个工具调用的复杂操作（如数据分析报告生成、自动化工作流）。
- 长链条推理任务（如多跳问答、数学证明、代码调试与修复）。
- 需要明确过程可见性的任务，便于用户审查每一步推理依据。

## 注意事项

- 单次任务拆解的子任务数量建议控制在 8 个以内，避免执行计划过于冗长导致上下文溢出。
- 各子任务之间应保持松耦合、高内聚，降低相互依赖带来的失败传播风险。
- 验证环节必须真实执行，不能跳过；当某步验证失败时，应优先尝试局部重试而非整体重做。
- 对于实时性强、容错性低的场景（如金融交易），需谨慎使用，建议增加人工审核节点。
- 任务描述应尽量清晰完整，包含目标、输入、约束与期望输出格式，有助于提升规划质量。
- 如子任务执行过程中出现工具不可用或信息缺失，应在最终答复中显式标注，避免静默失败。