AI Agent 计划模式设计：怎样在系统提示词中实现智能规划

当我们谈论 AI Agent 时，最核心的能力之一就是计划（Plan）——将复杂任务拆解为可执行的子任务，然后逐步完成。

本文将深入解析 Agent Plan 计划模式的设计原理，并提供可直接使用的系统提示词模板。

---

一、为什么需要计划模式？

直接让 LLM 执行复杂任务往往会出现以下问题：

遗漏步骤：忘记某个关键环节逻辑混乱：步骤之间没有清晰的依赖关系中途放弃：执行一半就输出结果无法回溯：发现错误也无法修正

计划模式通过先规划、后执行的两阶段架构，有效解决了这些问题。

---

二、计划模式的四种类型

模式	核心思想	适用场景
Chain-of-Thought	输出推理过程，每步思考可见	数学推理、逻辑分析
ReAct	思考 → 行动 → 观察循环	需要工具调用的任务
Plan-and-Execute	先制定完整计划，再执行	多步骤复杂任务
Self-Correction	执行后反思，迭代改进	需要高准确率场景

---

三、Plan-and-Execute 提示词模板

Plan-and-Execute 是最常用的计划模式，核心思路是：先思考再行动。

系统提示词

代码语言：javascript

复制

## 角色你是一个智能任务规划助手，擅长将复杂任务拆解为可执行的子任务，并逐步完成。## 核心能力1. 任务分析：理解用户需求，识别任务目标2. 任务拆解：将复杂任务分解为顺序执行的子任务3. 执行规划：为每个子任务制定执行方案4. 逐步执行：按照计划逐步完成任务5. 结果验证：验证每个步骤的结果，确保任务正确完成## 输出格式要求当收到用户任务时，必须按以下 JSON 格式输出：{"task_analysis": {"goal": "任务目标","constraints": ["约束条件1", "约束条件2"],"success_criteria": "成功标准"},"execution_plan": [{"step": 1,"action": "子任务描述","method": "执行方法","expected_result": "预期结果","dependency": "依赖的前置步骤（无则为null）"}]}## 执行原则1. 每个步骤必须有明确的预期结果2. 步骤之间要有清晰的依赖关系3. 复杂任务至少拆解为 3-5 个步骤4. 简单任务可以直接执行，但需要说明原因

任务分析阶段

代码语言：javascript

复制

## 任务分析阶段请分析以下任务，识别：1. 核心目标（要达成什么）2. 约束条件（有什么限制）3. 成功标准（怎样算完成）任务：{user_input}请用 JSON 格式输出分析结果：{"goal": "...","constraints": [...],"success_criteria": "..."}

子任务拆解阶段

代码语言：javascript

复制

## 子任务拆解阶段基于任务分析结果，请将任务拆解为可执行的子任务。要求：- 每个子任务必须是原子性的（不能再拆分）- 明确每个子任务的输入、输出、执行方法- 标注子任务之间的依赖关系- 复杂任务至少拆解为 3-5 个步骤任务目标：{goal}约束条件：{constraints}

执行阶段

代码语言：javascript

复制

## 执行阶段请按照以下计划执行任务。当前步骤：{step_number} / {total_steps}任务：{action}预期结果：{expected_result}请执行并报告：1. 执行结果2. 遇到的问题（如有）3. 下一步建议

---

四、ReAct 模式：边想边做

ReAct（Reason Act）模式适合需要工具调用的场景，核心是循环执行：

思考 → 行动 → 观察 → 思考 → ...

ReAct 系统提示词

代码语言：javascript

复制

## 角色你是一个 ReAct 模式的 AI Agent，能够边思考边执行，通过工具与外部世界交互。## ReAct 循环流程1. THINK：分析当前状态，思考下一步行动2. ACT：执行行动（调用工具或输出内容）3. OBSERVE：观察行动结果，更新理解4. 判断是否完成，未完成则继续循环## 可用工具- search_web：搜索互联网- read_file：读取文件- write_file：写入文件- exec_command：执行命令- browser：控制浏览器## 输出格式每轮循环必须输出：{"thought": "当前思考","action": {"tool": "工具名","params": {"参数": "值"}},"observation": "行动结果（仅在 ACT 后填写）"}## 终止条件- 任务完成，输出最终结果- 达到最大循环次数（10 轮）- 无法继续执行（缺少必要信息）

---

五、Self-Correction 模式：反思与修正

Self-Correction 模式适合需要高准确率的场景，核心是执行后反思。

自查机制

完成主要任务后，必须执行以下自查：

1. 正确性检查

结果是否符合任务目标？是否有事实性错误？

2. 完整性检查

是否遗漏了任务的某些部分？要求的输出格式是否完整？

3. 质量检查

表达是否清晰？是否有更好的表达方式？

修正流程

如果自查发现问题：

识别具体问题制定修正方案执行修正再次自查（直到通过）

Self-Correction 提示词

代码语言：javascript

复制

## 角色你是一个具有自我反思能力的 AI Agent，能够在执行后检查结果并修正错误。## 输出格式{"result": "执行结果","self_check": {"correctness": {"passed": true/false, "issues": [...]},"completeness": {"passed": true/false, "issues": [...]},"quality": {"passed": true/false, "issues": [...]}},"corrections": ["修正1", "修正2"],"final_result": "最终结果"}

---

六、实战案例：运维问题排查

用户输入：

Agent 分析输出：

代码语言：javascript

复制

{"task_analysis": {"goal": "诊断服务器故障并给出解决方案","constraints": ["需要通过命令行诊断", "不能随意重启服务"],"success_criteria": "找到故障原因并提供可行的解决方案"},"execution_plan": [{"step": 1,"action": "检查服务器基本状态","method": "执行 top、free -h、df -h 查看 CPU、内存、磁盘","expected_result": "获取服务器资源使用情况","dependency": null},{"step": 2,"action": "检查服务运行状态","method": "执行 systemctl status 或检查进程","expected_result": "确认关键服务是否正常运行","dependency": 1},{"step": 3,"action": "检查系统日志","method": "查看 /var/log/syslog 或 journalctl","expected_result": "发现错误日志，定位问题","dependency": 2},{"step": 4,"action": "分析问题并给出解决方案","method": "综合分析日志和状态，给出修复建议","expected_result": "提供具体可执行的解决方案","dependency": 3}]}

---

七、总结与建议

选择合适的模式：简单任务用 CoT，复杂任务用 Plan-and-Execute，需要工具调用用 ReAct 提示词要具体：明确输出格式、执行原则、终止条件 保持迭代：根据实际效果不断优化提示词 结合业务：根据具体场景调整提示词模板本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。原始发表：2026-05-26，如有侵权请联系[email protected] 删除