多步推理智能体：任务拆解与验证

## 概述
多步推理智能体（Plan‑Execute Agent）是一种结构化的任务处理框架。它首先对用户提出的复杂需求进行整体规划（Plan），随后按顺序执行每个子任务，并在每一步完成后进行结果验证（Execute & Validate）。这种“计划‑执行‑验证”的闭环能够帮助大语言模型在多层次、跨领域的任务中保持逻辑连贯、错误可控。

## 工作原理
1. **任务拆解**：模型接收原始任务后，自动拆解出若干可独立完成的子任务。拆解原则包括任务粒度适中、依赖关系明确。
2. **逐步执行**：按拓扑顺序依次执行子任务。每一步执行后，模型会生成对应的中间结果或答案。
3. **结果验证**：在每个子任务完成后，模型调用内置或外部的验证函数检查结果是否符合预期。若验证失败，模型会回退至最近一次可靠的子任务状态并进行修正。
4. **聚合输出**：所有验证通过的子任务结果被汇总，形成最终答案或报告。

## 调用步骤
1. **初始化**：
   ```json
   {"mode":"plan_execute","task":"<用户原始任务>"}
   ```
2. **获取计划**：模型返回拆解后的子任务列表（JSON 数组），每个子任务包含 `id`、`description`、`dependencies`。
3. **循环执行**：
   - 对每个 `id` 按依赖顺序调用执行接口 `execute(id, input)`，获取 `result`。
   - 调用验证接口 `validate(id, result)`，返回 `{pass: true/false, feedback: "..."}`。
   - 若 `pass` 为 `false`，使用 `feedback` 调整该子任务的输入或重新拆解，然后重试。
4. **聚合**：调用 `aggregate(subtask_results)`，得到最终输出。
5. **返回结果**：
   ```json
   {"final_answer":"<聚合后的答案>","log":["..."]}
   ```

## 使用示例
假设用户提出：“请帮我分析过去一年里公司三大产品的销量趋势，并给出下个季度的销售预测。”
1. **计划阶段**：模型拆解为三个子任务：
   - `subtask1`：抓取过去一年三大产品的月度销量数据。
   - `subtask2`：对数据进行趋势分析，计算增长率、季节性指数。
   - `subtask3`：基于趋势模型预测下个季度销量，并生成可视化图表。
2. **执行阶段**：
   - 执行 `subtask1`，返回原始数据表。验证检查数据完整性（如是否缺少某月的记录）。
   - 若验证失败，模型请求补充缺失数据或使用插值填补。
   - 执行 `subtask2`，生成趋势报告；验证报告中的关键指标是否在合理范围。
   - 执行 `subtask3`，生成预测数值和图表；再次验证预测是否符合业务约束（如不能为负值）。
3. **聚合输出**：将趋势报告、预测数值和图表统一包装为一份完整的分析文档。

## 注意事项
- **输入完整性**：确保每个子任务的输入信息足够完整，避免因信息缺失导致验证失败。
- **循环检测**：若同一子任务多次验证失败，建议重新审视拆解粒度或任务定义。
- **资源限制**：每次执行应设置超时和最大迭代次数，以防止无限循环。
- **日志记录**：建议在每一步执行和验证后记录日志，便于后续追溯和调试。
- **安全合规**：在涉及敏感数据或业务决策时，必须在聚合阶段加入人工审核环节，确保输出符合合规要求。

---
**适用场景**：多步骤数据分析、复杂文档生成、跨系统流程自动化、技术方案设计与评估等需要分阶段思考和验证的任务。