规划设计模式与高度自主智能体

就像复杂软件系统需要工厂模式、单例模式、依赖倒置等等设计模式和原则一样，Agent系统想要实现复杂度与效率并重，也需要一些设计模式。

本节我们将介绍规划 (Planning) 设计模式，规划模式的Agent系统高度自主，能够自行决定执行复杂任务所需的工具调用序列，而无需事先硬编码。

真实案例：客服助理Agnet

• 目标： 构建能够回答广泛、复杂查询的智能体，在运行时灵活地决定采取哪些行动。在本系统中，是一个能够回答客户像“你们有没有库存中售价低于100美元的圆形太阳眼镜？”这类复杂问题的Agent。
• 方法：

  • 提供工具集： 给 LLM 提供一套功能工具。在本例中，是如下工具：

    工具名	功能说明	示例用途
    get_item_descriptions	获取商品的文字描述或元数据（如名称、款式、材质、颜色、形状等）	当用户说“round sunglasses”时，用它来查出所有带“round”特征的太阳眼镜
    get_item_price	查询指定商品的价格	在找到商品后，用它来判断哪些低于 $100
    check_inventory	检查商品是否有库存（以及库存数量）	找到圆形眼镜后，查询这些商品是否在库
    check_past_transactions	查看用户的历史交易记录（如购买过哪些商品、是否退换货过）	用于客户支持场景，如“我上周买的眼镜有问题”
    process_item_sale	处理购买行为，即创建销售订单或执行购买交易	当用户确认要买时，调用这个工具执行交易
    process_item_return	处理退货操作	当用户想退货时，用它发起退货请求

  • LLM 编写计划： 要求LLM根据用户请求返回一个逐步的执行计划，说明应按什么顺序调用哪些工具。在本例中，是如下流程：

    1. LLM 计划调用 get_item_descriptions 来找“round sunglasses”
    2. 根据 Step 1 的输出（找到的产品）
    3. 再调用 check_inventory 查看库存
    4. 对库存中有货的结果
    5. 调用 get_item_price 检查哪些低于 $100
    6. 输出最终结果

  • 逐步执行： 按照计划，将每一步的指令和上一步的输出/上下文依次喂给 LLM，让它调用相应的工具并执行。

  • 最终输出： 将所有步骤的结果反馈给 LLM，生成最终的用户答案。

可以看出，规划模式的Agent有许多好处，比如Agent拥有非常丰富的能力，进而扩展了能执行的任务范围。开发者也无需事先编排工具调用的确切序列，提高了系统的灵活性和自主性。

规划模式的Agent系统在流程控制与实际场景上也有些风险点。在运行时，开发者无法预知 LLM 会生成什么样的计划，带来了结果不稳定/出错/越权的风险。目前，规划模式在AI Coding应用中非常成功，但在其他领域仍然处在尝试阶段。