03 · Plan-and-Execute：先谋后动

前置：01 ReAct 的 4.6 节（messages 如何增长）。本篇所有问题都源于那里。

一、问题：任务一长，Agent 就自己收工了

给 ReAct Agent 派活：「把项目里所有旧版日志库调用改成新版，改完跑测试。」

第 1 步   搜索           → 找到 12 处
第 2-8 步 逐个改         → 改完 6 个
第 9 步   第 7 个文件还依赖了旧版专有方法
第 10 步  查新版替代
第 11 步  修好这个文件
第 12 步  「已完成日志库迁移。」   ← 还剩 5 个文件，测试一次没跑

成因不是模型笨，是上下文结构。 每轮调模型都要重发完整历史，此时历史是：

位置	内容
最前面	「12 处 + 跑测试」这个全局目标
中段	11 轮工具调用，上万 token 的文件内容
末尾	刚修好第 7 个文件

全局目标和「刚做完的事」分处两端，中间隔着注意力最弱的区域。 模型据以判断是否完成的，是右边那块。

模型注意力在长上下文中段最弱（lost in the middle），最清楚的是末尾。刚修完一个文件、感觉完整，就收工了。

ReAct 的结构缺陷：只有「下一步」，没有「全局」。

两个朴素解法都不够用：

在 system prompt 里强调目标 —— 它是静态的，记不住「已经改了几个」
让模型先列个计划 —— 方向对，但计划列完放哪？打印出来模型下轮看不见；塞进 system prompt 就改不了，而第 9 步恰好证明计划一定要改

所以这个范式真正要解决的是两件事：① 全局目标怎么始终停在模型看得见的地方；② 计划中途怎么改。

二、两条路线

	① 静态计划	② 动态 todo
计划何时定	开头一次	随时改
存在哪	一个 Python 变量	Agent 状态 + 上下文
谁维护	你的编排代码	模型自己，通过工具调用
代表	Plan-and-Solve（arXiv 2305.04091）	Claude Code TodoWrite、Manus todo.md、LangChain `write_todos`
适合	步骤能提前想清的推理题	边做边发现的工程任务

生产环境跑的基本都是② —— 真实任务的计划一定会变。但①值得先看，因为它把「执行器需要哪些信息」暴露得最清楚。

① 静态计划：规划器出完计划即退场，无回边

② 动态 todo：改计划本身就是循环里的一次工具调用

三、静态计划：执行器需要四样东西

图 3-1 静态计划的两阶段

图片来源：Hello-Agents 第四章（CC BY-NC-SA 4.0）

规划器没什么可讲的 —— 一次普通调用，要它输出步骤列表。重点在执行器：执行第 3 步时要告诉模型什么？

EXECUTOR_PROMPT = """严格按计划解决"当前步骤"，只输出该步答案。
# 原始问题: {question}
# 完整计划: {plan}
# 历史步骤与结果: {history}
# 当前步骤: {current_step}
"""

四个占位符，各对应一种翻车：

占位符	不给会怎样
`question`	忘了最终目标，把第 3 步当孤立小任务做
`plan`	不知道当前步的位置，越界去干第 4 步
`history`	拿不到前面算出的中间值，只能瞎猜
`current_step`	试图一次把整个问题解完

$s_i = \pi_{\text{solve}}(q,\ P,\ (s_1, \dots, s_{i-1}))$

两个死穴，正是路线②要解决的：

history 全量累加 —— 每步都要带上之前所有步骤，步骤数翻倍则 token 翻四倍
计划改不了 —— 第 2 步发现原计划有误，只能硬走或整个重来

针对死穴 1 有两个变体：ReWOO 在规划期就用 #E1、#E2 写清步骤间的变量依赖，执行时不带历史；LLM Compiler 把计划编译成 DAG 并行跑。两者都假设「计划不会变」，所以生产上少见。

四、动态 todo：把计划做成一个工具

不在 ReAct 外面套规划阶段，而是给 ReAct 加一个「写待办清单」的工具。改计划本身就是一次工具调用，于是计划随时可改、且以工具结果的形式进入消息历史。

4.1 数据结构：三个状态，故意缺一个

class Todo(TypedDict):
    content: str
    status: Literal["pending", "in_progress", "completed"]

没有优先级、ID、依赖、子任务，也没有 failed。

缺 failed 是刻意的。 有这个状态，模型遇到搞不定的任务就会标记 failed 然后跳过；而你要的是它去解决卡住的原因。官方规定：

遇到错误、阻塞或无法完成时保持 in_progress；被阻塞时新建一个任务描述需要解决什么。

用状态机里缺一个状态来约束模型行为。

4.2 34% 的文件是提示词

实测 langchain/agents/middleware/todo.py：

	字符数
整个文件	15,525
工具描述	3,881
系统提示词	1,378
提示词占比	34%

Python 逻辑不到 60 行，工具本体只有 10 行（todos 全量覆盖，不是增量更新）。

这是本篇的认知转折点：01、02 的行为由代码结构决定，Plan-and-Execute 的行为几乎全由提示词决定。删掉 write_todos 的描述，工具还在，模型不会用了。

4.3 提示词里真正改变行为的四条

① 反复劝你别用

如果用户的请求很简单、不到 3 步，最好不要用，直接做。

开头和结尾各说一遍。写清单要烧 token 和延迟，小任务上是纯负收益。

② 立刻标记，禁止批量标

批量标记会让上下文里长时间存在一份过期清单，模型看到「都还是 pending」可能重做已完成的事。

③ 永远至少有一个 in_progress

给模型一个「当前焦点」锚点。全是 pending 时模型不知道自己在哪。

④ 标记完成 ≠ 交付答案

write_todos 追踪工作，它不交付答案。用户要的东西必须出现在最后一次 write_todos 之后的消息里。

对应一个真实翻车场景：

第 9 轮  调 write_todos，全部标记 completed
第 10 轮 模型觉得没事干了，不调工具 → 循环退出 → 用户屏幕上什么都没有

因为 01 讲过，退出条件是「这轮没有工具调用」，而它最后一个动作恰好是调工具。

4.4 实测发现：清单其实没被回注上下文

wrap_model_call 钩子只往 system prompt 追加了使用说明，没有注入当前 todos 状态。全文件搜一遍：todos 只写不读。模型看到清单的唯一途径是历史里那条工具返回消息：

Updated todo list to [{'content': '搜索日志调用', 'status': 'completed'}, ...]

所以对话越长，清单越往中段沉 —— 正好落进第一节那个注意力低谷。

对比 Manus 的做法：每完成一步就把 todo.md 重写一遍追加到上下文末尾。 表面在更新文件，实际是把全局目标反复搬到注意力最强的位置。

	LangChain	Manus
todo 的定位	给用户看的进度条	对抗注意力衰减的工具
用户可见	主要目的	副作用

自己实现建议照 Manus 做，至少在每次调模型前把清单注入 system prompt 末尾。

LangChain：清单只在生成那一刻写进历史，此后不断下沉

Manus：每完成一步重写一次，清单永远贴着当前位置

对照第一节那张注意力图：LangChain 的清单会滑进灰色区域，Manus 的清单永远待在绿色区域。

五、故障排查

现象	原因	修法
列了清单然后就停了	最后动作是调工具，循环判定结束	4.3 ④
清单写得好但没照着做	清单沉到上下文中段	每轮回注末尾（4.4）
看个变量类型也列 5 条 todo	缺劝阻性提示词	明写「不到 3 步别用」
某任务永远 `in_progress`	模型不知道卡住了该干嘛	要求「被阻塞时新建解决阻塞的任务」
清单错乱互相覆盖	一轮并行调了两次，全量覆盖竞态	拦截并行调用，回错误让模型重试
第 10 步 prompt 三万 token	静态计划全量 history	换动态 todo，或摘要压缩

最后那条竞态，生产实现专门写了段代码拦，注释是：

清单被设计为每轮最多更新一次。write_todos 每次替换整个清单，多次并行调用会产生「哪次优先」的歧义。

处理方式不是抛异常，是构造错误消息塞回历史，让模型看到「并行调用被拒」，下轮自己改成单次。给模型可读懂、可改正的错误 —— 这条会在 05、06 反复出现。

六、定位与边界

Plan-and-Execute 是在 ReAct 之上加一层全局视野，没有取代 ReAct —— 动态 todo 本身就跑在 ReAct 循环里。

不该用：任务不到 3 步（官方自己劝你别用）；路径完全确定（那是 Workflow）；探索型任务（目标都不清楚，硬列计划反而限制它）；首字延迟敏感（静态路线的规划阶段是一次完整往返）。

一句话：这个范式的关键不是「把计划列出来」，而是「让模型每轮都还能看见它」。

参考资料

资料	位置	协议
生产实现（主拆）	`langchain/libs/langchain_v1/langchain/agents/middleware/todo.py`，357 行	MIT
教学实现	`s05_todo_write/code.py`，13KB	MIT
静态计划路线	Hello-Agents 第四章 4.3	CC BY-NC-SA 4.0
官方教程	`langgraph/examples/plan-and-execute/plan-and-execute.ipynb`	MIT
为什么 todo 有效	Manus — Context Engineering for AI Agents	——

Wang L, Xu W, Lan Y, et al. Plan-and-Solve Prompting. arXiv:2305.04091, 2023.

下一篇：04 · Reflection

一、问题：任务一长，Agent 就自己收工了​

二、两条路线​

三、静态计划：执行器需要四样东西​

四、动态 todo：把计划做成一个工具​

4.1 数据结构：三个状态，故意缺一个​

4.2 34% 的文件是提示词​

4.3 提示词里真正改变行为的四条​

4.4 实测发现：清单其实没被回注上下文​

五、故障排查​

六、定位与边界​

参考资料​