一句话总结：Plan-and-Execute 把"想清楚"和"去做"分离——Planner 先产出结构化计划、Executor 只执行计划内步骤、Replanner 遇变重规划、State 管全局；比 ReAct 更适合长链路复杂任务，可预测可审计。

P&E 四组件（面试默写）

组件	职责
Planner	输入用户目标+业务约束+工具描述 → 输出结构化计划（步骤/每步干什么/工具/依赖）
Executor	逐条执行计划；本质是受限 ReAct Agent（只执行计划内步骤，不自由发挥）
Replanner	分析执行结果、检测循环、判断完成；必要时生成新计划
State	维护全局状态（当前步骤/中间结果）

与 ReAct 对比

维度	ReAct	Plan-and-Execute
方式	走一步看一步	先整体规划再分步执行
适合	交互式/探索式任务	长链路复杂任务
优势	灵活	可预测、可审计（执行前可审查计划）

重规划三策略

1. 局部调整：单任务失败、影响小——保留已完成，只调失败部分及后续依赖
2. 全局重规划：发现重要新信息——基于新信息完全重规划，但利用已有结果
3. 增量规划：长期任务分阶段——当前阶段完成后规划下一阶段

进阶变体（拉分点）

• PLAN-AND-ACT：每执行一步 Planner 就基于"当前状态+之前计划+已做动作"重新生成计划——计划成为记忆载体，缓解长程上下文问题，无需额外 memory 模块
• 异常兜底：某步失败/环境变化 → 触发 Replanner 重规划剩余步骤，不推倒重来

面试要点

• 能默写四组件与各自职责
• 能对比 ReAct vs P&E（灵活 vs 可审计）
• 能说重规划三策略
• 能提 PLAN-AND-ACT（计划即记忆）

相关概念

• [AI-Agent-核心设计模式](/学习笔记/AI技术/AI Agent/AI-Agent-核心设计模式) — ReAct/P&E 选型
• [AI-Agent-推理策略与思维链](/学习笔记/AI技术/AI Agent/AI-Agent-推理策略与思维链) — 推理层
• [AI-Agent-长任务执行与状态管理](/学习笔记/AI技术/AI Agent/AI-Agent-长任务执行与状态管理) — 执行层状态
• [AI-Agent-框架内部机制](/学习笔记/AI技术/AI Agent/AI-Agent-框架内部机制) — LangGraph 实现