智能体的两种灵魂：ReAct 与 Plan-and-Solve 深度对决

太难了啊
24 阅读10分钟

智能体的两种灵魂：ReAct 与 Plan-and-Solve 深度对决

从实际运行数据出发，深入剖析两种经典智能体模式的本质差异

前言

AI Agent（智能体）是当下最火热的技术方向，但很多人只知道「智能体能自动完成任务」，却不理解它到底是怎么工作的。

智能体的核心，其实是决策模式。今天，我们就来深入对比两种最经典的决策模式：ReAct 和 Plan-and-Solve。

我不仅会从理论上分析它们的差异，还会用真实的运行数据，让你亲眼看到它们的工作过程。

一、两种模式的核心思想

ReAct：边想边做

ReAct = Reasoning（推理）+ Acting（行动）

这个名字就道出了它的精髓：把思考和行动交织在一起，形成一个动态循环。

Thought（思考）→ Action（行动）→ Observation（观察）→ 循环 → Finish（完成）

生活比喻：像侦探办案。先调查现场，发现线索后决定下一步查什么，根据新线索再调整方向...整个过程是动态的、反应式的。

Plan-and-Solve：先想好再做

Plan-and-Solve = Plan（规划）+ Execute（执行）+ Solve（解答）

核心思想：先把整个流程规划好，再按计划一步步执行，最后汇总结果。

Plan（制定完整计划）→ Execute（按计划执行）→ Solve（综合解答）

生活比喻：像工程师施工。先画好图纸、规划施工步骤，然后按图纸一步步施工，最后验收交付。整个过程是结构化的、计划式的。

二、一张图看懂区别

┌─────────────────────────────────────────────────────────────────────────┐
│                                                                         │
│   🔄 ReAct：动态循环模式                                                  │
│                                                                         │
│   问题 ─→ Thought ─→ Action ─→ Observation ─→ Thought ─→ Action ─→ ... │
│              │          │            │                                  │
│              └──────────┴────────────┴── 每一步都重新思考                 │
│                                                                         │
├─────────────────────────────────────────────────────────────────────────┤
│                                                                         │
│   📋 Plan-and-Solve：结构执行模式                                        │
│                                                                         │
│   问题 ─→ Plan（规划）────────────────→ Execute（执行）─────→ Solve      │
│            │                              │                  │           │
│            │  步骤1: 查北京天气            │ 步骤1 → 结果1     │           │
│            │  步骤2: 查上海天气            │ 步骤2 → 结果2     │           │
│            │  步骤3: 对比分析              │ 步骤3 → 结果3     │           │
│            │  步骤4: 给出推荐              │ 步骤4 → 结果4     │           │
│            │                              │                  │           │
│            └── 一次性规划 ────────────────┴── 按计划执行 ────┴── 汇总     │
│                                                                         │
└─────────────────────────────────────────────────────────────────────────┘

三、实战运行对比

为了让大家直观感受两种模式的差异，我用同一个 LLM（glm-5）分别运行了两种模式的智能体。

场景设定

  • ReAct 任务：查询北京天气，判断是否适合户外活动
  • Plan-and-Solve 任务：查询北京和上海天气，对比哪个更适合户外活动

ReAct 实际运行过程

======================================================================
🤖 ReAct 智能体启动
======================================================================

📝 用户问题: 帮我查询北京今天的天气，然后判断是否适合户外活动

🔄 --- 第 1 轮循环 ---
   ┌─────────────────────────────────────
   │ 🧠 Thinking... (调用 LLM)
   │
   │ 💭 Thought:
   │   用户需要查询北京天气并判断是否适合户外活动，
   │   我需要先调用天气查询工具获取信息...
   │
   │ 🎬 Action: get_weather(city="北京")
   │ ⚙️  执行工具...
   │
   │ 👁️  Observation:
   │   北京当前天气：Sunny，气温17摄氏度，湿度32%
   └─────────────────────────────────────

🔄 --- 第 2 轮循环 ---
   ┌─────────────────────────────────────
   │ 🧠 Thinking... (调用 LLM)
   │
   │ 💭 Thought:
   │   已获取北京天气：晴天，17°C，湿度32%。
   │   这个天气条件非常适合户外活动——温度舒适、阳光充足...
   │
   │ 🎬 Action: Finish[北京今天天气晴朗，气温17°C...非常适合户外活动！]
   │
   │ ✅ 任务完成！
   └─────────────────────────────────────

🎉 最终答案:
北京今天天气晴朗，气温17°C，湿度32%，非常适合户外活动！
建议您可以安排公园散步、郊游、骑行等户外活动。

关键数据：

指标数值
LLM 调用次数2次
循环轮数2轮
工具调用次数1次
完成状态✅ 成功

Plan-and-Solve 实际运行过程

======================================================================
🤖 Plan-and-Solve 智能体启动
======================================================================

📝 用户问题: 帮我查询北京和上海的天气，对比哪个城市更适合户外活动

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
📋 Phase 1: Plan（规划阶段）
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
   正在分析问题，制定执行计划...

   📝 生成的计划:
   ┌──────────────────────────────────────────────────────────────────
   │ 1. 调用 get_weather 工具查询北京的天气情况。
   │ 2. 调用 get_weather 工具查询上海的天气情况。
   │ 3. 根据获取的天气数据，对比分析两个城市的天气条件。
   │ 4. 结合户外活动的适宜性标准，给出最终建议。
   └──────────────────────────────────────────────────────────────────

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
⚙️  Phase 2: Execute（执行阶段）
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

   🔹 执行步骤 1: 查询北京天气
   │ 🎬 执行工具: get_weather
   │ ✅ 结果: 北京天气：Sunny，气温17°C，湿度32%

   🔹 执行步骤 2: 查询上海天气
   │ 🎬 执行工具: get_weather
   │ ✅ 结果: 上海天气：Partly cloudy，气温18°C，湿度64%

   🔹 执行步骤 3: 对比分析天气条件
   │ 🧠 进行分析: 对比两个城市的天气数据

   🔹 执行步骤 4: 给出最终建议
   │ 🧠 进行分析: 结合户外活动适宜性给出建议

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
🎉 Phase 3: Solve（解答阶段）
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

   🏆 最终答案:
   根据查询结果对比：
   - 北京：晴天，17°C，湿度32%
   - 上海：多云，18°C，湿度64%
   
   北京更适合户外活动：
   1. 晴天天气更适合户外拍照和观光
   2. 湿度32%比64%更舒适，不会感到闷热
   3. 温度适中，适合各类户外运动
   
   推荐今天在北京进行户外活动。

关键数据：

指标数值
LLM 调用次数约6次（规划+执行4步+解答）
执行阶段数3个阶段
工具调用次数2次
完成状态✅ 成功

四、运行数据深度分析

对比一：LLM 调用效率

任务复杂度ReActPlan-and-Solve
单次查询（如查北京天气）2次调用3次调用（规划+执行+解答）
双次查询（如查两个城市）4次调用6次调用
三次查询（如查三个城市）6次调用7次调用
复杂推理任务5-8次调用7-10次调用

发现：对于简单任务，ReAct 更高效；对于需要多个独立查询的任务，Plan-and-Solve 的结构更清晰。

对比二：决策时机

ReAct 的每一次决策都在「当下」：

第1轮：看到问题 → 思考"先查天气" → 执行
第2轮：看到天气结果 → 思考"可以回答了" → Finish

每一步决策都基于最新的观察结果。

Plan-and-Solve 的决策在「开始时」：

Phase 1：一次性规划全部步骤
Phase 2：按计划执行，不再重新思考
Phase 3：汇总结果

决策集中在规划阶段，执行阶段只是「照章办事」。

对比三：适应性

假设任务发生变化：查询北京天气后，发现下雨了，应该推荐室内活动而不是户外。

ReAct 可以应对：

Observation: 北京下雨，15°C
Thought: 天气不适合户外，我应该推荐室内活动
Action: recommend_indoor("北京")

ReAct 能根据观察结果动态调整策略。

Plan-and-Solve 可能出问题：

Plan:
1. 查询天气
2. 推荐户外景点  ← 已经规划了户外，但实际下雨！

初始计划可能不适应实际情况。

五、优劣点深度剖析

ReAct 的优势

优势说明实际体现
动态适应能根据观察结果调整策略第2轮根据天气结果做出判断
减少幻觉通过工具获取真实信息调用真实天气API，不凭空编造
可解释性强每一步思考都可见Thought 内容清晰展示推理过程
纠错能力观察到错误可以重新思考未找到Action时会提示重新思考

ReAct 的劣势

劣势说明潜在风险
效率问题每步都调用LLM简单任务也需要多次调用
上下文累积历史记录不断增长复杂任务可能超出Token限制
缺乏全局规划只关注当前一步可能走弯路或重复操作

Plan-and-Solve 的优势

优势说明实际体现
结构清晰三阶段分明Plan → Execute → Solve 流程一目了然
全局规划开始就考虑完整流程一次规划4个步骤，逻辑连贯
易于并行独立步骤可同时执行查北京和上海天气可并行
效率可控规划一次，执行多次明确知道需要多少次调用

Plan-and-Solve 的劣势

劣势说明潜在风险
适应性差计划难以动态调整遇到意外情况无法灵活应对
规划依赖初始计划决定效果规划出错会导致全盘失败
无法纠错执行中不能修改计划遇到问题只能继续或重新开始

六、核心代码对比

ReAct 核心循环

while (未完成 && 循环次数 < 限制) {
    // 1. Thought: 调用 LLM 获取思考
    const response = await llm.thinkSync(prompt);
    
    // 2. 解析 Action
    const action = parseAction(response);
    
    // 3. 判断是否结束
    if (action.type === 'finish') {
        return action.answer;
    }
    
    // 4. 执行工具，获取 Observation
    const observation = await executeTool(action);
    
    // 5. 加入历史，继续下一轮
    history.push(response);
    history.push(`Observation: ${observation}`);
}

Plan-and-Solve 三阶段

// Phase 1: Plan（规划）
const plan = await llm.thinkSync("分析问题，制定步骤列表");
const steps = parsePlan(plan);

// Phase 2: Execute（执行）
const results = [];
for (const step of steps) {
    const result = await executeStep(step);
    results.push(result);
}

// Phase 3: Solve（解答）
const answer = await llm.thinkSync("综合结果，给出答案");
return answer;

七、选型决策指南

什么时候用 ReAct？

✅ 任务步骤不确定
✅ 需要根据结果动态调整
✅ 任务可能需要纠错
✅ 追求可解释性（每一步都可见）
✅ 简单的线性任务（2-3步就能完成）

典型场景：

  • 查天气后根据结果做判断
  • 搜索后根据结果决定下一步查什么
  • 调试类任务（边查边改）

什么时候用 Plan-and-Solve？

✅ 任务目标明确，步骤可预测
✅ 需要执行多个独立查询后综合分析
✅ 追求效率，控制成本
✅ 需要清晰的结构化执行流程
✅ 步骤之间可以并行执行

典型场景：

  • 查询多个城市天气后对比
  • 搜索多个关键词后汇总
  • 执行固定的多步骤流程

混合方案建议

实际项目中，可以结合两种模式：

┌─────────────────────────────────────────────────────────────┐
│                                                             │
│  Phase 1: Plan（用 Plan-and-Solve 的规划能力）               │
│           制定基本计划                                      │
│                                                             │
│  Phase 2: Execute + ReAct（保留 ReAct 的灵活性）             │
│           按计划执行，但遇到意外情况时启动 ReAct 循环纠错     │
│                                                             │
│  Phase 3: Solve（汇总结果）                                 │
│                                                             │
└─────────────────────────────────────────────────────────────┘

这样既保证了结构清晰，又保留了动态适应能力。

八、总结

维度ReActPlan-and-Solve
一句话边想边做，动态应变先想好再做，高效执行
比喻侦探办案工程师施工
决策时机每一步开始时一次
适应性⭐⭐⭐⭐⭐⭐⭐⭐
效率⭐⭐⭐⭐⭐⭐
可解释性⭐⭐⭐⭐⭐⭐⭐⭐⭐
全局规划⭐⭐⭐⭐⭐⭐⭐
适用场景不确定任务明确任务

最终建议：

任务不确定 → ReAct
任务明确 → Plan-and-Solve
追求完美 → 结合两者

智能体设计没有银弹。理解两种模式的本质，根据实际任务特点灵活选择，才是正确的做法。

附录：完整代码与运行

本文涉及的完整代码已开源，包含：

  • react-agent/：ReAct 模式完整实现
  • plan-and-solve-agent/：Plan-and-Solve 模式完整实现

运行方式：

# ReAct
cd react-agent
LLM_MODEL_ID='your_model' LLM_API_KEY='your_key' LLM_BASE_URL='your_url' node index.js

# Plan-and-Solve
cd plan-and-solve-agent
LLM_MODEL_ID='your_model' LLM_API_KEY='your_key' LLM_BASE_URL='your_url' node index.js

智能体的灵魂，是决策模式。理解 ReAct 和 Plan-and-Solve，你就理解了智能体设计的核心。

参考资料：

avatar
文章
阅读
粉丝