Agent 框架中的任务分解与规划策略有哪些？

1. ReAct 模式

ReAct（Reason + Act）是当前最广泛采用的单 Agent 规划模式。它在每一步都要求模型先显式表达推理过程，再选择并执行一个动作，然后观察结果并进入下一轮循环。这种模式的优点是透明度高、调试方便，适用于大多数需要工具调用的开放型任务。

2. Plan-and-Execute 模式

该模式将规划与执行分离为两个阶段：首先由规划器生成完整的步骤列表，然后由执行器按序实施。相比 ReAct 的逐步决策，Plan-and-Execute 在处理长周期任务时更具一致性，因为执行阶段不会偏离初始规划的大方向。

3. ReWOO 模式

ReWOO（Reasoning WithOut Observation）预先计算包含占位符的执行计划，然后并行执行所有工具调用，最后将结果代入得到最终答案。对于可并行化的工作负载（如同时检索多个信息源），ReWOO 比串行的 ReAct 循环效率高出数倍。

4. Tree-of-Thoughts 模式

Tree-of-Thoughts 将推理过程建模为树形搜索：Agent 生成多个候选方案，对每个方案评分，扩展有希望的分支并剪除表现不佳的路径。这种方法在复杂推理任务上显著优于 ReAct，但计算成本也高出 10 到 50 倍，通常只在高价值场景中采用。

5. Reflexion 模式

Reflexion 在每次尝试失败后生成自然语言的反思总结并存入记忆，供下一次尝试参考。实验表明该方法可将 HumanEval 代码基准的通过率从 80% 提升至 91%。它特别适合具有明确成功/失败信号且允许多次尝试的任务场景。