Plan-and-Execute
一种Agent任务规划模式，先让模型生成完整的执行计划，再逐步执行并根据反馈动态调整
核心事实
时间轴 (近 90 天)
Plan-and-Execute模式先让模型一次性产出完整计划，再由harness逐步执行，可控性强但计划质量差时整体失败。
ReAct、Plan-and-Execute、Reflexion是三种常见的agent控制流模式，区别在于谁来决定下一步，它们本质上是harness对循环结构、终止条件和反馈回路的编排选择，而非模型能力。
ReAct、Plan-and-Execute、Tree of Thoughts是三种不同的Agent规划与任务分解模式，核心差异在于规划发生的时机和粒度。
Plan-and-Execute消耗的token是ReAct的2.3倍以上，且被其他三种设计全面支配。
Plan-and-Execute约90%的token消耗在执行器循环中，而非规划文本。
ReAct每题平均消耗4,663 token，Plan-execute为10,535 token，Supervisor为7,494 token，Draft-verify为4,905 token。
在240个问题的测试中，ReAct的正确率为59.6%，Plan-execute为61.7%，Supervisor为65.0%，Draft-verify为63.7%。
Codex的'计划模式'对应AI Agent设计中的Plan-and-Execute框架，先规划执行清单再执行，属于人类在环（Human-in-the-loop）机制
Agent系统常采用「规划阶段预检索+执行阶段按需检索」的组合方式，前者确保大方向正确，后者在具体子步骤中补充上下文。
代理驱动的架构常被称为 ReAct 或 Plan-and-Execute 模式，近年来随着 LLM 能力提升而快速成熟
还有 13 条时间轴事件
全部知识事实 (20)
当前主流的编程智能体架构大多采用ReAct（Reasoning + Acting）范式
90%已验证AI Agent通常采用ReAct（Reasoning + Acting）模式，在推理和行动之间循环迭代
90%已验证Agent的实现通常通过ReAct（Reasoning + Acting）框架来实现规划能力
90%已验证Plan-and-Execute 框架先由规划器生成完整的多步任务计划，再逐步交由执行器完成，适合任务边界清晰的场景
80%已验证Plan-and-Execute和ReAct是当前Agent领域两种代表性的规划范式
80%已验证演示项目采用一个主智能体（Hub）协调三到四个子 Agent 并行跑四个区块，体现 Plan-and-Execute 加子智能体分工的架构
75%已验证ReAct更灵活能动态调整策略，Plan-and-Execute在长任务链中更稳定，减少局部错误导致的全局偏离
75%已验证现代智能体通常基于ReAct（Reasoning + Acting）范式运作，模型先推理当前状态再决定调用哪个工具
75%已验证ReAct模式的执行流程包括：用户提出需求、智能体思考（Reasoning）、执行行动（Acting）、观察结果（Observation）、循环往复、返回答案六个步骤
70%已验证主流任务规划方法包括ReAct范式、Plan-and-Execute模式和Tree of Thoughts（思维树）
65%已验证规划模块负责将复杂任务分解为可执行的子任务序列
65%已验证Plan-and-Execute模式先由规划器生成完整执行计划再由执行器逐步落实，在长任务中更稳定，但对规划阶段质量要求极高
65%已验证Plan-and-Execute范式适合长程复杂任务，ReAct在工具调用频次高、需要实时反馈的场景下更高效
65%已验证Plan-and-Execute范式先生成完整计划再逐步执行，适合长任务
65%待验证ReAct范式衍生出Reflexion、LATS、Plan-and-Execute等变体
60%待验证Plan-and-Execute架构将规划与执行解耦，降低了循环风险，但缺乏动态修正能力
60%待验证ReAct和Plan-and-Execute等主流Agent框架都可以将MCP作为工具调用层的标准化实现
60%待验证Plan-and-Execute模式先让模型一次性产出完整计划，再由harness逐步执行，可控性强但计划质量差时整体失败。
50%待验证ReAct、Plan-and-Execute、Reflexion是三种常见的agent控制流模式，区别在于谁来决定下一步，它们本质上是harness对循环结构、终止条件和反馈回路的编排选择，而非模型能力。
50%待验证ReAct、Plan-and-Execute、Tree of Thoughts是三种不同的Agent规划与任务分解模式，核心差异在于规划发生的时机和粒度。
50%