从 0 构建能真正执行任务的 Planner ，Planner 才是 智能体 系统的灵魂，它决定了「这事该怎么做」。没有 Planner，所谓智能体只是在“长篇大论”。 我拆解了一下好的智能体系统，得到一个非常核心的结论：智能体真正的能力不是“回答问题”，而是“拆解任务 → 分步执行 → 完成目标”。而这三件事，全部依赖 Planner。 今天我们把智能体中最重要、但最容易被忽视的部分讲清楚：任务规划器（Task Planner） 。
🚀 1. 为什么智能体必须要 Planner？
你让模型做任务，它不会自动规划，而是直接给结果。
例如：
“帮我做一份明天的行业日报。”
模型通常会：
- 直接写日报（但它没有真实数据）
- 不会先爬数据
- 不会核实信息
- 不会处理异常
- 不会构建任务链路
这就是普通 LLM 与智能体最大的差异：
LLM：给你答案 Agent：为你完成任务
而“完成任务”需要三步：
- 明确目标
- 拆解子任务
- 给每个子任务分配工具与行为
→ 这正是 Planner 的职责。
🚀 2. 一个合格的任务规划器要做什么？
Planner = 任务拆解器 + 流程指挥官。
它必须完成以下职责：
✔ 1. 理解用户意图
把“模糊意图”变成“可执行目标”。
✔ 2. 将任务拆分成可执行步骤
步骤 1：爬取 6 个数据源 `` 步骤 2：提取结构化信息 `` 步骤 3：生成内容摘要 `` 步骤 4：组装日报模板 ``步骤 5：推送给用户
✔ 3. 将步骤映射到工具
- 爬取 → WebCrawler
- 摘要 → LLM Summary Tool
- 生成内容 → LLM Writer
- 推送 → Webhook
✔ 4. 控制执行顺序
这是智能体最重要的能力之一：
- 顺序执行
- 分支
- 循环
- 条件判断
✔ 5. 异常处理
如爬虫失败 → 重试 → 换源。
没有异常处理的智能体都是玩具。
🚀 3. Planner 的标准架构
标准结构（非常稳定）：
┌─────────────────────────┐
│ User Intent │
└─────────────────────────┘
│
▼
┌─────────────────────────┐
│ Intent Interpreter (LLM) │ ← 理解需求
└─────────────────────────┘
│
▼
┌─────────────────────────┐
│ Task Planner (LLM) │ ← 拆解步骤、构建流程
└─────────────────────────┘
│
▼
┌─────────────────────────┐
│ Tool Router / Selector │ ← 决定用哪个工具
└─────────────────────────┘
│
▼
┌─────────────────────────┐
│ Executor / Action Hub │ ← 执行每个步骤
└─────────────────────────┘
Planner 是中枢。其他都是围绕它来工作的。
🚀 4. Planner 的 Prompt（工程级模板）
开发智能体最常用的 Prompt 模板。你可以直接用于：
- API 项目
- CrewAI / AutoGen
- 企业内部 AgentHub
- Notebook 开发
✅ 任务规划 Prompt 模板（可直接复制）
你是一名资深 Task Planner，负责将用户的需求拆解为可执行的步骤。
必须遵守以下规则：
1. 每一步必须是可执行行为（Action），禁止输出抽象描述。
2. 每一步必须关联目标，并说明需要的工具。
3. 保持步骤数量在 3～8 之间，不可过多或过少。
4. 避免任何不必要的解释。
5. 输出内容必须使用 JSON 格式。
请将用户需求转换为如下结构：
{"goal": "最终任务目标","steps": [
{"id": 1,"action": "具体可执行动作","tool": "需要使用的工具名称（或 none）","input": "该步骤的输入来源"
}
]
}
现在开始，根据用户需求生成任务规划。
🚀 5. 实战示例：自动生成行业日报
用户输入：
“做一份 AI 行业日报，并在 9 点推送飞书。”
Planner 输出
{
"goal": "生成并推送 AI 行业每日简报",
"steps": [
{
"id": 1,
"action": "从指定的 6 个数据源爬取新闻数据",
"tool": "WebCrawler",
"input": "data_sources"
},
{
"id": 2,
"action": "将新闻内容转换为结构化数据",
"tool": "ContentExtractor",
"input": "raw_html"
},
{
"id": 3,
"action": "对结构化信息执行摘要提取",
"tool": "LLM_Summarizer",
"input": "structured_data"
},
{
"id": 4,
"action": "生成日报文案",
"tool": "LLM_Writer",
"input": "summaries"
},
{
"id": 5,
"action": "通过飞书 Webhook 推送日报",
"tool": "FeishuWebhook",
"input": "final_report"
}
]
}
这一点非常关键：每一步都是可执行的动作，而不是“写一写、整理一下”这种无意义表达。
🚀 6. Planner 的代码结构（Python 版 ）
下面是非常适合新手的 Planner 结构，可以直接扩展到你的智能体系统。
from openai import OpenAI
import json
client = OpenAI(api_key="YOUR_KEY")
PLANNER_PROMPT = """
（此处放前面的 Planner 模板）
"""def plan_task(user_input):
response = client.chat.completions.create(
model="gpt-4.1",
messages=[
{"role": "system", "content": PLANNER_PROMPT},
{"role": "user", "content": user_input}
]
)
plan = response.choices[0].message["content"]return json.loads(plan)
plan = plan_task("自动生成 AI 行业日报并推送飞书")
print(plan)
这就是一个「最小可执行 Planner」。
你可以继续迭代：
- 失败重试
- 工具映射
- 状态管理
- 任务缓存
- 任务检查器（Verifier）
很快就能发展成一个完整 AgentHub。
🚀 7. Planner最佳实践
✔ 最佳实践 1：规划与执行必须分离
Planner 做规划，不做执行。否则会非常混乱。
✔ 最佳实践 2：输出必须为结构化格式
JSON、YAML 都可以。这让你的系统可控、可测试、可复现。
✔ 最佳实践 3：限制步骤数量
3～8 步之间最合适。太多 → 模型迷路，太少 → 粗糙不可执行
✔ 最佳实践 4：提前定义工具能力说明（Toolspec）
模型不知道工具能做什么。必须在 Planner Prompt 中明确写：
ToolName: 能做什么 → 输入 → 输出
让模型能正确选择工具。
✔ 最佳实践 5：引入 Verifier（审查器）
验证 Planner 生成的步骤：
- 是否可执行
- 格式是否正确
- 步骤是否覆盖任务目标
这是大模型时代的“单元测试”。
Planner 决定智能体的上限，如果你准备做智能体产品或 AI 工具型内容创作：先把 Planner 练好，你才能构建真正的智能体系统。否则永远停留在 Prompt + 工作流 的层面。
