🌟 LangChain 30 天保姆级教程 · Day 24｜Plan-and-Execute Agent！让 AI 先“写计划”再“干活”，搞定复杂任务！

系列目标 ：30 天从 LangChain 入门到企业级部署
今日任务：理解 Plan-and-Execute 架构 → 实现自定义 Planner/Executor → 构建"自动写周报"智能体！

🧠 一、为什么需要 Plan-and-Execute？

ReAct Agent（Day 23）虽强，但面对复杂任务仍显不足：

用户问："帮我写一份上周的工作周报，包含项目进展、遇到的问题和下周计划。"

ReAct 可能：

❌ 直接编造内容（无真实数据）
❌ 顺序混乱（先写计划再查进展？）
❌ 遗漏关键步骤

根本问题 ：缺乏全局规划能力。

解决方案：

✅ Plan-and-Execute Agent ------ 将任务拆解为 Plan（计划） + Execute（执行） 两阶段！
💡 今天，我们就用 LangChain 的 PlanAndExecute 框架，打造一个会"先列大纲，再填内容"的 AI 助手！

🏗️ 二、Plan-and-Execute 架构原理

css 复制代码

用户输入
   ↓
[Planner] → 生成结构化任务列表（如：1. 查项目A进度；2. 查Bug列表；3. 生成周报）
   ↓
[Executor] → 逐项调用 Tool 执行，并汇总结果
   ↓
最终输出

优势：

✅ 任务分解清晰，避免遗漏
✅ 支持并行/串行混合执行（未来扩展）
✅ 可审查中间计划（提升可控性）

🔑 核心组件：

Plan：由 LLM 生成的 List[Step]

StepExecutor：执行单个步骤的 Agent（可复用 Day 23 的 ReAct）

🛠️ 三、动手实践：构建"自动写周报"Agent

步骤 1：准备模拟数据源（Tool）

python 复制代码

# day24_plan_and_execute.py
from langchain_core.tools import tool

@tool
def get_project_status(project_name: str) -> str:
    """获取项目最新进展"""
    return {
        "AI平台": "完成RAG模块开发，准确率提升至92%",
        "数据中台": "ETL流程优化，延迟降低40%"
    }.get(project_name, "项目未找到")

@tool
def get_recent_bugs() -> str:
    """获取最近3天的高优先级Bug"""
    return "1. 用户登录偶发500错误；2. PDF导出格式错乱"

@tool
def get_upcoming_tasks() -> str:
    """获取下周计划任务"""
    return "1. 上线RAG问答系统；2. 修复PDF导出问题"

步骤 2：初始化基础 LLM 和 ReAct Executor

ini 复制代码

from langchain_ollama import ChatOllama
from langchain.agents import create_react_agent, AgentExecutor
from langchain import hub

llm = ChatOllama(model="qwen:7b", temperature=0)

# 创建底层执行器（用于执行每个步骤）
react_prompt = hub.pull("hwchase17/react")
react_agent = create_react_agent(llm, [get_project_status, get_recent_bugs, get_upcoming_tasks], react_prompt)
step_executor = AgentExecutor(agent=react_agent, tools=[...], verbose=False)

步骤 3：定义 Planner（计划生成器）

python 复制代码

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

planner_prompt = ChatPromptTemplate.from_template(
    """
你是一个任务规划专家。请将以下目标拆解为一系列具体的、可执行的步骤。
每个步骤应明确调用哪个工具（如 get_project_status），并指定参数。
仅输出步骤列表，每行以数字开头，不要解释。

目标：{input}
步骤：
"""
)

planner_chain = planner_prompt | llm | StrOutputParser()

✅ 输出示例：

scss 复制代码

1. 调用 get_project_status(project_name="AI平台")
2. 调用 get_project_status(project_name="数据中台")
3. 调用 get_recent_bugs()
4. 调用 get_upcoming_tasks()

步骤 4：实现 Plan-and-Execute 主逻辑

python 复制代码

import re

def parse_plan(plan_text: str):
    """解析计划文本为步骤列表"""
    steps = []
    for line in plan_text.strip().split("\n"):
        if line.strip().startswith(("1.", "2.", "3.", "4.", "5.")):
            steps.append(line.split(". ", 1)[1])
    return steps

def execute_plan(steps: list) -> dict:
    """执行计划，返回每步结果"""
    results = {}
    for i, step in enumerate(steps):
        try:
            # 提取工具名和参数（简化版，生产可用 AST 解析）
            if "get_project_status" in step:
                proj = re.search(r'project_name="([^"]+)"', step).group(1)
                res = get_project_status(proj)
            elif "get_recent_bugs" in step:
                res = get_recent_bugs()
            elif "get_upcoming_tasks" in step:
                res = get_upcoming_tasks()
            else:
                res = "未知步骤"
            results[f"step_{i+1}"] = res
        except Exception as e:
            results[f"step_{i+1}"] = f"执行失败: {str(e)}"
    return results

def generate_final_report(results: dict) -> str:
    """整合结果生成周报"""
    report = "【上周工作周报】\n\n"
    report += "一、项目进展\n"
    report += "- AI平台: " + results.get("step_1", "") + "\n"
    report += "- 数据中台: " + results.get("step_2", "") + "\n\n"
    report += "二、遇到的问题\n"
    report += results.get("step_3", "") + "\n\n"
    report += "三、下周计划\n"
    report += results.get("step_4", "")
    return report

步骤 5：端到端运行

ini 复制代码

def plan_and_execute(input_query: str) -> str:
    # 1. 生成计划
    plan_text = planner_chain.invoke({"input": input_query})
    print("📋 AI 制定的计划：\n", plan_text)
    
    # 2. 解析并执行
    steps = parse_plan(plan_text)
    results = execute_plan(steps)
    
    # 3. 生成最终报告
    return generate_final_report(results)

# 测试
query = "帮我写一份上周的工作周报，包含AI平台和数据中台的进展、最近的Bug、下周计划"
final_output = plan_and_execute(query)
print("\n📄 最终周报：\n", final_output)

▶️ 输出效果：

scss 复制代码

📋 AI 制定的计划：
1. 调用 get_project_status(project_name="AI平台")
2. 调用 get_project_status(project_name="数据中台")
3. 调用 get_recent_bugs()
4. 调用 get_upcoming_tasks()

📄 最终周报：
【上周工作周报】

一、项目进展
- AI平台: 完成RAG模块开发，准确率提升至92%
- 数据中台: ETL流程优化，延迟降低40%

二、遇到的问题
1. 用户登录偶发500错误；2. PDF导出格式错乱

三、下周计划
1. 上线RAG问答系统；2. 修复PDF导出问题

✅ 完美实现：

自动拆解复杂任务

精准调用所需工具

结构化输出专业文档

⚙️ 四、进阶：使用 LangChain 内置 PlanAndExecute（实验性）

LangChain 提供了实验性支持（需 langchain-experimental）：

复制代码

pip install langchain-experimental

ini 复制代码

from langchain_experimental.plan_and_execute import (
    PlanAndExecute,
    load_agent_executor,
    load_chat_planner
)

planner = load_chat_planner(llm)
executor = load_agent_executor(llm, [tools], verbose=True)
agent = PlanAndExecute(planner=planner, executor=executor)

result = agent.run("写周报...")

⚠️ 注意：该模块仍在演进，自定义实现更可控（如上文）。

⚠️ 五、注意事项 & 最佳实践

表格

问题	建议
计划不完整	在 Planner Prompt 中提供示例（Few-shot）
步骤无法执行	Executor 加强错误处理；支持重试
结果整合生硬	用单独 LLM 调用生成最终报告（更自然）
Token 超限	对超长计划分批执行
安全风险	所有 Tool 调用需权限校验

💡 生产建议：

允许用户审核/修改 AI 生成的计划

记录完整 Plan-Execute 日志用于复盘

对高频任务模板化（如"周报""月报"）

📦 六、配套代码结构

bash 复制代码

langchain-30-days/
└── day24/
    └── plan_and_execute_weekly_report.py  # 自动周报生成器

📝 七、今日小结

✅ 理解了 Plan-and-Execute 的两阶段架构优势
✅ 学会了自定义 Planner 生成结构化任务列表
✅ 实现了步骤解析与工具调用的执行引擎
✅ 构建了端到端的"自动写周报"智能体
✅ 知道了如何平衡自动化与人工干预

🎯 明日预告：Day 25 ------ 向量数据库进阶！Milvus/PGVector 生产级部署与性能调优！