第 7 课规划设计模式

介绍

本课将涵盖：

定义清晰的总体目标，把复杂任务拆成便于管理的子任务。
利用结构化输出，得到更可靠、机器可读的回复。
用事件驱动的方法处理动态任务和意外输入。

学习目标

学完本课，你将理解如何：

为 AI 智能体识别并设定总体目标，确保它清楚要达成什么。
把复杂任务拆成便于管理的子任务，并按合理的顺序组织起来。
为智能体配备合适的工具（例如搜索工具或数据分析工具），决定何时、如何使用它们，并处理出现的意外情况。
评估子任务的结果，衡量表现，反复调整行动，改进最终产出。

定义总体目标并拆解任务

编者注：图中“结束目标”是机器翻译的误译，原意是“最终目标”。

现实中的大多数任务都太复杂，没法一步完成。AI 智能体需要一个简明的目标来指导规划和行动。比如这个目标：

“生成一份三天的旅行行程。”

这个目标说起来简单，但仍需细化。目标越清晰，智能体（以及参与协作的人）就越能集中精力得到正确的结果，比如一份完整的行程，包括航班选择、酒店推荐和活动建议。

任务拆解

把大型或复杂的任务拆成较小的、各有目标的子任务，就更容易管理。以旅行行程为例，可以把目标拆成：

订机票
订酒店
租车
个性化安排

每个子任务可以交给专门的智能体或流程处理。一个智能体专门搜索最划算的机票，另一个专注于订酒店，以此类推。再由一个负责协调的“下游”智能体，把这些结果汇总成一份连贯的行程，交给最终用户。

这种模块化的做法也便于逐步增强。比如，可以再加上专门推荐美食或本地活动的智能体，随着时间推移不断完善行程。

结构化输出

大语言模型（LLM）可以生成结构化输出（例如 JSON），让下游的智能体或服务更容易解析和处理。这在多智能体的场景中特别有用：拿到规划结果后，就可以据此执行各项任务。

原文用下面一段 Python 代码，演示一个简单的规划智能体如何把目标拆成子任务，并生成结构化的计划：

代码略：先列出可用的专职智能体（订机票、订酒店、租车、订活动、目的地介绍、默认智能体、群聊管理），定义“旅行计划”的数据结构（主任务、若干子任务及各自分配的智能体、是否只是打招呼），再用一段要求模型充当规划者并按 JSON 格式回复的系统提示词，把用户请求“为一个有两个孩子的家庭制定从新加坡到墨尔本的旅行计划”发给模型，打印解析后的结果。

用于多智能体编排的规划智能体

在这个例子里，一个语义路由智能体接收用户的请求（例如“我需要一份旅行的酒店计划”）。

然后，规划者会：

接收酒店计划：规划者拿到用户的消息，根据系统提示词（其中包含可用智能体的详细信息），生成一份结构化的旅行计划。
列出智能体及其工具：智能体注册表里记录着各个智能体（例如负责机票、酒店、租车和活动的智能体），以及它们各自提供的函数或工具。
把计划分派给相应的智能体：视子任务的数量而定，规划者要么把消息直接发给某个专职智能体（单任务的情况），要么通过群聊管理器协调多个智能体协作。
总结结果：最后，规划者把生成的计划总结一下，让结果一目了然。

原文用下面的 Python 代码示例演示了这些步骤：

代码略：与上一段代码基本相同，定义可用智能体和旅行计划的数据结构，让模型以规划者的身份处理同一个家庭旅行请求，并打印返回的 JSON。

下面是上述代码的输出。你可以根据这份结构化输出，把任务分派给 assigned_agent 字段指定的智能体，并向最终用户汇总旅行计划。

代码略：输出的 JSON 写明主任务是“规划一次从新加坡到墨尔本的家庭旅行”，并列出五个子任务：由 flight_booking 预订往返机票，由 hotel_booking 寻找适合家庭的酒店，由 car_rental 安排适合四口之家的租车，由 activities_booking 列出适合家庭的活动，由 destination_info 介绍墨尔本这个目的地。

迭代规划

有些任务需要来回调整或重新规划，一个子任务的结果会影响下一个。比如，智能体在订机票时发现数据格式出乎意料，可能需要先调整策略，再去订酒店。

另外，用户的反馈（例如用户决定改订更早的航班）也可能触发局部的重新规划。这种动态、迭代的做法，能确保最终方案符合现实约束，也跟得上用户不断变化的偏好。

代码略：示例代码沿用前面的规划者，但在请求中附带上一版旅行计划作为上下文，让规划者据此重新规划，再把任务分派给相应的智能体。

想做更全面的规划，可以看看介绍 Magentic-One 的博文，了解如何解决复杂任务。

小结

本课通过一个例子，介绍了如何创建一个能动态挑选已定义智能体的规划者。规划者的输出会拆解任务，并为每项任务指定负责的智能体，以便交给它们执行。这里假定各个智能体都能使用完成任务所需的函数或工具。除了这些智能体，你还可以加入反思、总结、轮流发言的群聊（round robin）等其他模式，做进一步定制。

补充资源

Magentic-One 是一个解决复杂任务的通用多智能体系统，在多项有难度的智能体基准测试中取得了出色成绩。参考：Magentic-One。在它的实现中，编排者会为具体任务制定计划，把任务委派给可用的智能体。除了规划之外，编排者还用一套跟踪机制监控任务进度，并在需要时重新规划。

编者注：英文原文有一处、中文机器翻译版两处把 Magentic-One 写成了“Magnetic One”，本库已按原文链接中的名称统一改正。

免责声明：本课中文最初由 AI 翻译工具 Co-op Translator 自动翻译，本库对照英文原文做了校订和删节。译文仍可能有错漏，与英文原版不一致之处，以英文原版为准。

介绍