给LLM大语言模型赋予规划能力本质上不是让模型“突然会规划”而是通过架构设计 外部模块 推理机制让 LLM 从“文本生成器”变成“任务决策系统”。可以把它理解成LLM 本身负责「理解、推理、生成计划」外部系统负责「执行、记忆、验证、反馈」。这也是 Agent智能体的核心。一、为什么原始 LLM 没有规划能力普通 LLM用户输入↓LLM↓输出答案例如用户帮我去北京旅游LLM可能直接生成推荐故宫、长城、颐和园...但是它没有当前时间判断预算约束路线计算订票能力行程调整能力执行反馈原因LLM本质是P(tokennext∣previous tokens)即预测下一个 token。它擅长语言理解知识调用推理但是不天然具备长期目标管理状态跟踪动态决策行动执行所以需要给它增加“规划层”。二、方法一Prompt Planning通过提示词让 LLM 先规划再执行。例如Prompt你是一个任务规划专家。完成任务前1. 分析目标2. 拆解任务3. 制定执行步骤4. 检查结果任务帮我搭建一个机器人云平台LLM输出目标搭建机器人云平台计划Step1:设计通信协议Step2:开发机器人SDKStep3:开发服务器Step4:增加数据库Step5:测试部署这就是Chain of Thought / Plan Generation但是缺点规划只是文字。它不能调工具修改计划感知环境三、方法二Plan-and-Execute 架构这是目前 Agent 最经典的方法。例如任务帮我买一台适合机器人开发的电脑Planner计划1. 分析机器人开发需求2. 查询推荐配置3. 比较价格4. 给出购买建议然后Executor执行调用搜索工具↓获取电脑信息↓返回结果Planner看到结果发现预算超过限制重新规划降低GPU要求重新搜索这就是动态规划。四、方法三ReActReason Action你之前问过 ReAct这就是给 LLM 规划能力的重要方式。ReAct:Thought↓Action↓Observation↓Thought↓Action...例如任务查询东京今天天气并决定是否带伞LLMThought我需要知道天气Action调用weather_api(tokyo)Observation返回今天下雨概率80%Thought需要建议带伞Action输出建议携带雨伞ReAct让LLM具备思考行动观察修正这就是基础规划循环。
