AI Agent / 系统课时
更新动态计划
更新动态计划
本课解决智能体执行过程中计划失效的问题,让智能体能够根据工具返回、代码分析和测试结果重新评估任务路径,并生成下一阶段可执行步骤。
学习目标
- 理解动态计划与固定计划的区别。
- 掌握根据执行反馈更新任务步骤的方法。
- 能够设计包含重新规划条件的智能体执行流程。
为什么需要动态计划
智能体面对真实任务时,初始计划通常只基于已有信息生成。随着工具调用、代码阅读或测试执行产生新结果,原计划中的假设可能失效,例如发现接口不存在、依赖版本不兼容,或者测试暴露新的约束。
动态计划的核心不是频繁改变目标,而是在目标保持稳定的情况下,根据最新状态调整达到目标的路径。
动态计划的更新机制
一个常见流程是:执行当前步骤、收集结果、判断结果影响、更新剩余任务列表。智能体需要保存当前状态,而不是只依赖最初生成的一次计划。

实现计划重评估
实际开发中,可以为每个步骤记录状态,并在关键事件发生时触发重新规划。
python
class AgentPlanner:
def __init__(self, goal):
self.goal = goal
self.steps = []
def update_plan(self, feedback):
# 根据执行反馈替换受影响步骤
if feedback["status"] == "failed":
self.steps.insert(0, "analyze_failure")
else:
self.steps.pop(0)
planner = AgentPlanner("完成代码修改")
planner.steps = ["inspect", "edit", "test"]
planner.update_plan({"status": "failed"})
print(planner.steps)预期输出
text
['analyze_failure', 'inspect', 'edit', 'test']动态更新的边界
计划更新需要避免无限循环。通常应限制重新规划次数,并记录已经尝试过的方案,防止智能体重复执行相同失败路径。
本课总结
- 动态计划通过执行反馈持续修正任务路径。
- 更新计划的关键是保存状态并分析结果影响。
- 重新规划需要设置边界,避免无效循环。
下一课预告
下一课将介绍如何管理任务之间的依赖关系,让智能体按照正确顺序执行复杂工作流。
按自己的节奏,确认真正理解。