Plan-and-Execute（规划与执行）

Plan-and-Execute 是一种 Agent Loop（智能体循环）架构模式，核心思想是将 Agent 工作分为两个分离的阶段：规划（Planning） 阶段先由规划器生成完整的任务分解，执行（Execution） 阶段再由执行器逐步或并行完成各子步骤。

与 ReAct 的边推理边执行不同，Plan-and-Execute 在任何工具调用发生之前就完成整体计划——这使独立的子任务可以并行化，而不是被迫顺序等待。通过并行执行独立步骤，可实现数倍的任务完成速度提升。

与 ReAct 的区别

维度	ReAct	Plan-and-Execute
规划时机	每步推理后决定下一步	执行前先完成整体规划
执行方式	顺序，每步等上步结果	独立子步骤可并行执行
适应中间结果	灵活，可随时调整计划	有限，计划生成后较难动态改变
适合任务	依赖中间结果的探索型任务	步骤相对独立的并行型任务

为何重要

并行化潜力是 Plan-and-Execute 的核心价值。纯顺序的 Agent 循环中，即使某些子任务互不依赖，也必须一一等待；Plan-and-Execute 通过提前规划识别出可并行的步骤，让多个执行器同步工作。这在以下场景中有明显效率优势：

分析型任务：同时搜索多个不相关数据源
代码生成：同时开发多个独立模块
报告生成：并行收集不同维度的资料

局限性

规划质量决定执行上限：规划器在没有执行证据的情况下做出完整分解，对需要探索的任务容易规划出错误路径
执行反馈难以回流规划：若某步执行发现计划前提有误，整个计划可能需要推翻重来
上下文压力：完整计划 + 各步执行结果快速填满上下文，需要配合 Context Engineering（上下文工程）管理

Claude Code Plan Mode：Explore-Plan-Implement-Commit

Claude Code 将 Plan-and-Execute 实现为一个四阶段交互工作流，并在规划前加入显式的 Explore 阶段——解决了经典 Plan-and-Execute 的主要局限：在未充分理解代码库的情况下直接生成计划，容易规划出错误路径。

flowchart LR
    E[Explore\n读文件理解结构\n不做修改] --> P[Plan\n生成实现计划\n人工可审改]
    P --> I[Implement\n切出规划模式\n编码并验证]
    I --> C[Commit\n提交并创建 PR]

Explore：进入 Plan Mode，Claude 读文件、回答问题，不做任何修改。让 Claude 先摸清结构，再产出计划。

Plan：要求 Claude 生成详细实现计划，说明需要改动哪些文件、流程如何走。Ctrl+G 可将计划在文本编辑器里直接编辑，是整个工作流最重要的人工审查节点——此时改计划成本最低。

Implement：切出 Plan Mode，让 Claude 按计划编码，同时验证（运行测试/lint/构建），对照计划收敛。

Commit：提交并附上描述性 commit message，开 PR。

何时值得规划：能用一句话描述 diff 的任务（改错别字、加日志行、重命名变量）不需要规划；修改多个文件、方法不确定、不熟悉代码时，规划价值最大。规划既有效果也有开销——不要为了规划而规划。

Codex PLANS.md：把计划变成活文档

OpenAI Cookbook 的 PLANS.md 做法，是 Plan-and-Execute 在 Codex 长任务中的一种文档化变体。它通过 AGENTS.md 定义一个项目内 shorthand，例如 ExecPlan，说明复杂功能或重大重构要使用这种计划文档；再用 PLANS.md 规定计划文档的格式与维护规则。这里的 ExecPlan 只是示例中的任意叫法，不应被当成独立行业术语。

与普通 Plan-and-Execute 相比，PLANS.md 约束下的计划不只要求“执行前先规划”，还要求计划在执行中持续更新。Progress 记录当前完成状态，Surprises & Discoveries 记录意外发现，Decision Log 记录关键取舍，Outcomes & Retrospective 记录阶段结果。这样，即使任务持续数小时、上下文被压缩、执行者换手，后续 Agent 仍能从计划本身恢复目标、约束和验证路径。

这种做法也修正了经典 Plan-and-Execute 的一个弱点：计划一旦写完就僵化。它要求计划保持自包含且可修改，允许在原型验证、源码阅读或测试反馈后调整路线，并把改变原因写回文档。这让规划阶段不再是一次性猜测，而是一个可审查的状态容器。

现代工程化形态

Plan-and-Execute 的思路在 Loop Engineering（循环工程）中以工程化方式延续：规划器生成任务分解后，多个执行 Agent 在独立的 Agent Worktree（Agent 工作树）中并行完成各自子任务，最终合并审查。Dynamic Workflows（动态工作流）把这一模式进一步产品化——编排脚本（workflow script）承担规划器角色，Runtime 调度多个 subagent 并行执行、记录状态、验证结果。

在循环演进中的位置

Plan-and-Execute 属于第二代（Gen 2，2022–2023）Agent Loop（智能体循环）架构，与 ReAct、Reflexion（反思）同属这一代的代表性模式。三者各自探索提升多步 Agent 循环质量的不同路径：ReAct 引入显式推理轨迹，Reflexion 引入跨轮自我校正，Plan-and-Execute 引入执行并行化。