智能体规划：把目标变成可执行、可修订的状态图

给智能体布置任务时，最常见的做法是写下一串自然语言步骤，例如“读代码—修改—测试—提交”。这一串看起来完整：它覆盖了从理解到落地的全部环节，顺序也合理。但拿着它交给智能体，仍然可能在第一步就走错。原因不在步骤太少，而在步骤与执行所依赖的事实之间没有联系。

一份自然语言清单缺四样东西。第一，它没有说明读哪些文件：任务是修改一个 bug，代码库里有几十个文件，“读代码”这一步无法告诉执行者该打开哪个模块，于是执行者只能猜，或者把全部文件扫一遍。第二，它没有说明“修改”依赖哪些事实：改哪一行、保留什么行为、由哪个测试约束这次改动，清单上完全没有记录，执行者改完也无法证明改对了。第三，“测试何时算通过”没有定义：跑一次测试命令和测试通过是两个不同的事件，前者是一次工具调用，后者是需要用断言结果来证明的客观事实。第四，失败后回到哪里没有交代：如果测试失败，是回到“读代码”重新理解，还是回到“修改”换一种改法？清单给不出答案，执行者只能自行决定，而自行决定往往意味着丢失上下文。

更隐蔽的问题是清单把“调用工具”误写成了“目标完成”。写“提交”不等于代码已经进入主分支；写“测试”不等于缺陷已被验证修复。工具调用只是一项动作，动作完成之后世界状态是否真的发生了变化，必须由外部观察来证明——看测试报告、看合并结果、看运行日志。清单抹平了动作与状态之间的界限，于是执行者可以逐项打勾，却从未抵达目标。

可执行计划要做的事，就是把这份清单改造成每一步都能被检查、被证明的状态变化序列。它必须引用当前的世界状态，而不是悬空的动词；必须为每一步写明前置条件（进入这一步时什么必须已经成立）、动作（要执行什么）、产物（这一步结束后世界多了什么可观察的变化）以及机器可检查的完成谓词（用什么条件判断这一步真的完成了），并且为每个状态变化留下可追溯的证据。有了这些字段，“何时真的完成”和“失败后回哪里”才第一次有了确定答案。

这里有三层东西需要分清。目标是智能体想达到的世界状态，例如“缺陷已修复且所有相关测试通过”。计划是对因果关系的假设：它断言“如果依次执行这些动作，世界就会从当前状态转移到目标状态”。这个假设不一定成立，执行与观察的作用就是检验它：每完成一步，观察器确认世界是否真的发生了预期变化；一旦发现偏差，就说明计划的假设错了，需要修改计划，而不是继续按原清单往下走。

因此，可执行计划的输入是五样东西：目标、当前世界状态、约束、可用工具和风险；输出是一张带前置条件、动作、产物、完成谓词与回退路径的状态图。它解决的核心问题是自然语言步骤清单无法回答的两个疑问——“什么时候算真正完成”和“失败后回到哪里”。工具调用在状态图里只是动作字段的一个取值，永远不能替代完成谓词；世界状态必须由外部观察证明，而不是由执行者自述完成。

把规划、执行、观察交给同一个智能体，让它一边想一边直接改动所有状态，最大的风险是“想”与“做”混淆：模型在思考中判断某一步已经完成，于是计划里写下了“完成”，这个文字随后被当成世界里的真实完成，后面所有步骤都建立在这个未经证实的假设上。一旦中途有一处虚构，整条链就塌了。因此规划系统把工作拆给三个角色，并让它们各自只产出一种东西：规划器产出计划，执行器产出动作，观察器产出事实。三种产物彼此分离，任何一方都不能替另一方作证。

规划器的输入是目标、约束和当前已知状态。它不执行任何修改，只做一件事：把这些输入展开成一张有限视野的依赖图——每个节点是一个步骤，边表示“必须先完成谁才能开始谁”。视野有限意味着规划器只对短期内可信的部分做精确安排，远处的部分保持为占位，等观察带来新事实后再细化。这样规划器既不会因为信息不足而凭空编造长链，也不会把精力浪费在很快就会失效的远端细节上。

执行器的输入是依赖图和当前状态，它的职责被压到最小：只执行当前就绪的节点。所谓就绪，是指该节点的所有前置节点都已被观察器证实完成。执行器没有权力决定“差不多可以开始了”，也不负责判断结果好坏；它把动作施加到世界上，然后交出结果。这种受限执行保证每一个动作都发生在前提成立之后，而不是发生在规划器的想象之中。

观察器是唯一有权把世界状态写成事实的角色。它读取执行留下的客观痕迹——命令的退出码、文件的差异、测试报告、日志——把这些痕迹翻译成事实状态。退出码为零是一个事实，测试断言全部通过是另一个事实，二者不能互相替代。观察器的输出不经过执行器的转述，也不经过规划器的推断，因此计划中的“完成”无法冒充真实完成：只有观察器记录到的事实才能让一个节点从“已执行”变为“已完成”。

控制器把三者粘合成一条循环。它比较每个节点的预期效果与实际观察：如果观察结果与预期一致，就把事实状态写回，节点标记为完成，接着推进到下一批就绪节点；如果观察结果偏离预期，控制器在四种动作中选择——重试（同一步再做一次）、回退（撤销已发生的变化）、推进（继续后续节点）或局部重规划（只重画受影响的那片依赖图）。整条因果链可以写成：

目标与禁止状态 → 依赖图 → 选择就绪节点 → 受限执行 → 观察与验证 → 更新状态 → 推进或局部重规划。

注意链的起点同时包含目标和禁止状态。规划不仅说明要抵达什么，还要说明不能进入什么：违反约束的中间状态和最终状态一样需要被观察器识别、被控制器拦截。角色分工的输入是目标、约束、依赖图、就绪节点、执行结果和外部观察，输出是推进、重试、回退或局部重规划四者之一。这样，每一个状态变化都有明确的生产者和验证者，链条上没有任何一环可以单方面宣布成功。

执行器和验收者对“完成”的判据不一致，是一切执行事故的共同根源。执行器认为自己跑完了命令就是完成，验收者却要求世界状态真的改变；执行器说“我已经理解了”，验收者却要看代码与测试。为了让双方对同一个词拥有同一含义，每个步骤都必须写成一份机器可读的任务契约。契约由五个字段构成：前置条件、动作与工具、产物、完成谓词和回退。任何一个字段缺失，都会对应一种典型的失败方式。

以一个缓存隔离修复任务为例。问题症状是跨用户串值：两个用户读到了对方的缓存数据。这个节点的五个字段分别写成——前置条件：已复现跨用户串值，且相关缓存代码已定位；动作与工具：用最小补丁修改 key 的构造逻辑；产物：补丁 diff 和一份隔离回归测试；完成谓词：隔离测试与原命中测试均通过；回退：恢复该补丁并保留失败日志。

逐字段看缺失的代价。没有前置条件，执行者只能凭猜测修改它认为出错的模块，第一步就可能改错文件。没有限定动作范围，执行范围会无限扩大：本来只改 key 构造，顺手重构了缓存层、改了序列化格式，把一次小修变成一场大规模改动。没有产物要求，执行者交付的就只剩聊天记录里的宣称，“我已经改好了”无法被任何人检查。没有完成谓词，执行者会把“跑过测试”当成“测试通过”——测试命令确实执行了，但断言失败的结果被丢在一边。没有回退路径，失败后的选择只有从头再来或者在原补丁上叠加修改，前者浪费全部已完成的事实，后者让错误层层累积。

完成谓词是五个字段里最容易被写错的一个。它必须检查世界状态，而不是检查意图或动作。合法的谓词形态包括：文件哈希与预期一致、测试计数达到阈值、API 返回了约定的结构、批准记录已存在。而“我已经理解”“工具已调用”这类表述永远不是完成谓词——前者检查的是执行者内心，后者检查的是动作是否发生，两者都与世界是否改变无关。在本例中，谓词要求两组测试同时通过：隔离测试证明修复本身有效，原命中测试证明修复没有破坏原有行为。只有“跑过”的谓词会被拒收，因为跑过不携带任何关于结果的断言。

对于高风险节点，契约还要追加两个声明：批准主体和禁止状态。批准主体指明谁有权确认这一节点可以进入下一步，防止执行器自我验收；禁止状态写明这条路径上绝对不能进入的世界状态，例如“修复期间不得清空缓存目录”，让观察器知道该拦截什么。这样，任务契约的输入是前置事实、限定动作、可观察产物、机器完成谓词、回退方案与批准主体，输出是一个执行器与验收者共享的节点定义。执行器按契约执行并在产物字段交出差分与测试，验收者只认完成谓词，双方不再需要就“完成”这个词争论。

画依赖图回答的是两个问题：哪些步骤可以并行，哪些步骤必须等待真实证据。以缓存隔离修复为例，任务被拆成五个节点：S0 复现（5 分钟）、S1 定位（8 分钟）、S2 契约（3 分钟）、S3 补丁（6 分钟）、S4 验收（10 分钟）。每个节点上的数字是预计耗时，边上的箭头表示依赖方向。画图的过程就是逐节点追问“进入它之前，哪一步的事实必须已经被观察器证实”。

S0 复现没有依赖，它是整张图的起点。S1 定位依赖 S0：只有先复现了跨用户串值，定位相关缓存代码才有意义。S2 契约同样依赖 S0：契约要写的前置条件、谓词和回退都来自复现得到的现象与事实。因此 S1 和 S2 共享同一个前置节点，在 S0 完成后彼此之间没有任何依赖——它们可以并行。S3 补丁的依赖是 S1 和 S2 两者：代码定位未完成，补丁无从下手；契约未定，补丁交付什么产物、按什么谓词验收都不清楚。S4 验收只依赖 S3：验收的对象就是补丁本身。

依赖图让每对“能否并行”的判断都有了依据：并行只发生在共享前置节点之后、且彼此之间没有边的节点之间；只要存在依赖边，就必须等待，而且等待的不是时间，是真实证据——观察器证实前置节点的完成谓词已经成立。

依赖图还直接给出关键路径。把五个节点串行相加是 5+8+3+6+10=32 分钟。让 S1 与 S2 并行后，两条支路分别是 S0→S1（5+8=13）与 S0→S2（5+3=8），汇合于 S3；S3 必须等两条支路都完成，因此它的最早开始时间取两者中的较大者，13 分钟。于是整条链的最早完成时间是关键路径 S0→S1→S3→S4，即 5+8+6+10=29 分钟。并行节省的只有不在关键路径上的那 3 分钟——S2 比 S1 早完成的那段时间本来就在空等。这个结果说明了依赖图的一条使用边界：并行只能压缩支路等待，不能压缩强依赖链本身；把强依赖任务宣传成“并行后任意加速”是错的，29 分钟就是这张图在当前约束下的下界。

依赖图的输入是 S0 到 S4 的节点定义、依赖边和 5/8/3/6/10 分钟的预计耗时，输出是三样东西：每一时刻的并行就绪集、关键路径、以及最早完成时间 29 分钟。就绪集随时变化——初始只有 S0，S0 完成后变成 {S1, S2}，两者都完成后变成 {S3}，再变成 {S4}。执行器每轮只从就绪集取节点，这正是上一节“只执行就绪节点”规则的落地。

这张图还决定了失败后重来的范围。假设 S4 验收失败，需要重画局部。失效的只是补丁节点及其下游：S3 的补丁错了，S4 自然作废。但 S0 的复现事实和 S2 的契约调查已经被观察器验证过，它们不在失效范围内，不需要清零重做。依赖图把“哪些事实已经立住”画成结构，失败来临时，重规划只在失效的那片区域发生。

环境越未知，越不该预先写死二十步细节。理由来自信息本身的不对称：近处步骤的输入状态已经在手，观察器给出了事实，这些步骤可以写得足够具体——精确到文件、命令和谓词；而远处步骤依赖的是尚未发生的工具输出，那些输出此刻还不存在，任何人现在写下的“细节”都只能是猜测。强行写细，模型为了填满清单就会虚构还不存在的文件、接口或结果，产出一份辞藻完整但事实虚假的计划。

滚动时域规划的做法是分两段表达同一张图。近处一段用具体节点展开；远处一段只保留粗目标和预算，例如“完成缓存重构，预计四步、两轮之内”，而不写每一步的动作。执行推进到新的高不确定点之后——某个工具输出了结果、某个验收给出了结论——观察带来了新的确定信息，这时再把下一段展开成具体节点。整个过程与滚动时域控制同构：只对眼前可见的窗口做精确控制，窗口随执行前进而向前滑动，远处的细节永远留到能看见时再生成。

滚动带来的直接收益是过期计划变少。预先写死的长计划在第二个观察到来时可能已经失效，而滚动规划里失效的部分只存在于尚未展开的粗目标中，被替换的代价接近零。同时，滚动把“填满清单”的动机从模型身上移除了：清单本来就不要求远处有细节，虚构就失去了存在的必要。

滚动更新有一条必须遵守的纪律：每次更新只替换受新观察影响的子图，目标和安全不变量原样保留。目标和安全不变量是全图成立的前提，观察只能影响“怎样抵达”，不能影响“抵达哪里”和“绝不能进入哪里”。与之配套的是版本记录：计划每次滚动都形成新版本，版本上记录触发这次更新的证据是什么、哪些节点被作废。有了这条记录，事后可以审计每一次改动是因为哪个观察、动了哪片图，而不是一份被反复涂抹后无人知道来历的文本。

还有一个更隐蔽的风险：新观察可能与旧状态冲突。例如观察器报告“缓存模块已被删除”，而计划里还写着“缓存模块已定位”。此时正确顺序是先标记冲突，再确定权威来源——是观察器读错了环境，还是旧状态本就过时。无论如何，都不能让最后写入的文本静默覆盖已验证的事实；旧事实是被哪个证据确立的，新事实要推翻它，就必须登记出处，让两者的冲突可查。

滚动规划因此可以概括为一个输入输出的循环：输入是近端已知状态、远端不确定依赖、新观察、目标与安全不变量，输出是近处具体节点、远处粗目标和新版本的子图。每到一个高不确定点展开下一段，每次替换都限于受观察影响的子图并记录触发证据与作废节点；新文本可以更新计划，但不能静默覆盖已验证事实。

测试失败时，最昂贵的反应是“重新制定完整计划”。完整重规划意味着把已经验证过的产物推倒重来：复现事实重新收集、依赖分析重新做、已经写好的契约重新写。这些步骤的事实没有变化，重做它们就是重复劳动，而且每一轮重复都引入新的出错机会。正确的做法是先把失败归入四类之一，每类对应一个明确的更新范围。

第一步永远是比较失败节点的预期效果与实际观察。预期写在节点契约里，观察由观察器给出，两者之间的差异类型决定了接下来做什么。

第一类是执行瞬态错误：动作本身和前提都没问题，只是这次运行的外部条件坏了，例如测试进程超时、临时网络抖动。更新范围是当前节点，处理策略是按幂等策略限次重试——重试有次数上限，动作本身必须是可重复执行的，重试不留下副作用累积。

第二类是前置事实错误：节点失败的原因不是它自己，而是它赖以启动的前置条件不成立。例如修复的前提是“应用使用一级缓存”，实际却使用了二级缓存，那么调用链的定位整个错了。更新范围是事实来源及其全部下游，处理策略是回到产生该事实的最近节点，重新调查，而不是在错误前提上继续修补。

第三类是补丁副作用：前置事实成立，补丁也解决了目标问题，但引入了新的破坏——缓存隔离修好了，命中率却归零。更新范围是补丁节点和验收节点，处理策略是只作废该补丁及其下游，复现、定位、契约这些已验证产物原样保留。

第四类是目标或禁止状态改变：任务本身变了，例如从单租户修复变为跨区域一致性迁移。这是唯一需要扩大重规划范围的情形，因为依赖关系全部要按新目标重新检查。

这四类可以并排看成一张对照表。执行瞬态错误对应当前节点，例子是测试进程超时，限次重试；前置事实错误对应事实来源及其下游，例子是实际使用二级缓存，重新定位调用链；补丁副作用对应补丁和验收节点，例子是隔离修好但命中率归零；目标改变对应重新检查全部依赖，例子是从单租户修复变为跨区域一致性迁移。四类的更新范围依次变大，只有第四类触及全局。

局部重规划要成立，还依赖一项基础设施：已验证产物必须用稳定 id 和版本固定。复现结果、契约、已通过的测试各自持有不可变的标识和版本号，重规划时直接引用它们，而不是让模型重新搜索一遍再生成一份。没有这项固定，重规划本身就会变成新一轮寻找与覆写，模型可能找到一份相似但不同的旧产物，把它当成原来的事实继续使用。版本固定之后，回退一个补丁就是引用回退前的节点版本，而不是手工撤销若干次叠加修改。

局部重规划的输入因此是五样：失败节点、预期与实际差异、稳定检查点、依赖下游和失败类型；输出是四种动作之一——限次幂等重试、回到最近事实来源、作废补丁子图、全面重规划。失败只触发与它类型相称的最小更新，验证过的事实由版本号保护，重复劳动从机制上被排除。

不是所有长任务都需要语言模型规划器。规划是有成本的：每多一层规划，就多一层可能出错的推断、多一份需要审计的计划文本。选择什么执行机制，取决于任务本身的三项属性：路径可预知性、动作空间大小、环境动态程度。

当步骤固定、分支已知、失败语义稳定时，确定性工作流是更好的选择。这类任务的所有路径在写代码时就已经确定，失败时的行为也事先定义好了，用工作流执行更便宜、更可测——同一输入必然走同一条路径，回归测试可以覆盖每一支。引入语言模型规划器反而把确定的东西重新变成不确定，白白增加成本和出错面。

当候选动作明确且可以穷举时，思维树或传统搜索更为合适。任务变成在有限的候选集合里挑选和回退，扩展、评估、剪枝都是机械操作，搜索算法的完备性和效率可以直接计算，不依赖模型每一次的即兴判断。规划器在这里没有新增信息，只有新增噪声。

只有当环境路径未知、且工具反馈会改变后续决策时，Agent 规划才真正有价值。缓存修复就是这类任务的典型：调用链的长度和走向要等第一次探索结果才知道，契约该怎么写取决于复现观察到什么，工具每返回一次输出，接下来的决策空间都会变化。这种任务里，规划器的角色是持续地根据新证据重画子图，这正是前几节描述的机制。

三个判据可以压缩成一句话：固定分支用工作流，可穷举候选用搜索，未知环境路径才需要 Agent 规划。

无论选择哪一种机制，有一条边界不可跨越：规划器不能替代工具权限、事务、幂等和人工批准。这四样东西属于执行安全，由外部系统强制，而不是由计划文本声明。文本计划里写“文件已备份”“用户已批准”只是两个字符串，它们可以出现，但没有任何事实效力。控制器必须从文件系统读取备份是否真实存在、从审批服务读取批准是否真实发生、从工具返回码读取动作是否真实执行。模型不能自行宣布高风险前置条件已经成立——自我宣布是写进文本的愿望，而高风险步骤要求的是外部系统里的记录。

因此规划边界的判断可以形式化为一个输入输出对照：输入是路径可预知性、动作空间、环境动态、工具反馈和风险权限，输出是固定工作流、传统搜索、思维树或 Agent 规划四者之一。选择机制之后，权限、事务、幂等与批准仍然由外部系统统一强制，与选哪种机制无关；文本中的“已备份”或“已批准”在任何机制下都不构成事实。

最终成功是最容易被操纵的指标：一个冗长而低效的计划同样可能成功，因为成功只说明目标到达了，不说明路途如何。评估计划必须同时回答两个问题：它到底有没有缺陷，以及它是否比更简单的方案创造更多价值。方法是对同一任务平行记录三种轨迹——直接行动、固定工作流和规划器——然后比较一组指标。

这组指标包含八个维度。最终成功：任务是否抵达目标，这是及格线而不是全部。计划可执行率：计划里多少步骤真的被执行了，若大量节点在途中被作废或跳过，说明计划与现实的偏差大。前置条件错误：多少步骤在前提未满足时被启动，直接暴露依赖图的缺失。无效或重复步骤：多少步骤没有推进状态、或者重复做了已做过的事。重规划次数：计划被推翻了几次，越多说明初始计划越不可信。从失败点到恢复点的距离：失败后要退回多远才能重新前进，距离越短说明依赖图切得越细、局部恢复越有效。关键路径延迟：与理论关键路径相比实际晚了多少，超出部分来自等待、返工或错误的串行化。总成本：完成同一任务实际消耗的工具调用与时间。

这八个指标里，成本和成功率的组合最能暴露“漂亮而无用”的计划。若规划器把 8 个工具调用变成 20 个，而成功率与直接行动相同，它就没有创造价值——多出的 12 次调用全是开销，没有任何收益与之对应。反过来，若规划器在故障场景下成功率更高、恢复距离更短，多出的调用才获得了正当性。评估因此永远是比较式的：规划器的价值只存在于与更简单基线的差值里。

除了执行后的轨迹比较，还有两类执行前的静态检查。第一类针对计划文本本身：引用的工具是否真实存在；依赖图是否有环——有环意味着图中存在永远无法就绪的节点集合；每个节点是否都有产物和完成谓词——没有谓词的节点无法被验收，等于把完成与否重新交给猜测；并行节点是否竞争同一资源——两个同时修改同一文件的节点会互相破坏，必须被串行化或加锁。第二类针对恢复能力，用故障注入验证：人为制造一次工具失败、一次前置条件破坏，观察计划是否按预期限次重试、是否只回退到最近事实来源。漂亮的文本在故障注入面前没有藏身之处，真正有效的局部恢复必须能被重复触发和重复验证。

于是计划评测的输入是同一任务上的三条轨迹：直接行动、固定工作流和规划器轨迹；输出是最终成功、可执行率、前置错误、重复步骤、重规划次数、恢复距离、关键路径延迟和成本这八项指标。先做静态检查——工具存在、依赖图无环、节点有产物有谓词、并行节点不争抢同一资源——再做故障注入验证局部恢复。一条写得很长的漂亮计划，如果只是把调用翻倍而成功不变，它的漂亮不构成任何价值。

把前面各节的内容首尾相接，就得到一条从问题到可验证实践的完整因果链。起点是一个具体问题：自然语言的步骤清单无法回答“何时真正完成”和“失败后回哪里”，因为工具调用被误写成了目标完成，世界状态无人证明。终点是一套可以被执行、被审计、被故障注入验证的规划机制。中间每一步都建立在前一步的产物之上。

第一步，定义目标与禁止状态。规划从写清楚两个状态集合开始：要抵达什么，绝不能进入什么。目标是验收的最终谓词，禁止状态是观察器全程要拦截的红线。没有这一步，后面的所有判断都没有参照物。

第二步，标注前置条件和产物。每个步骤从一段叙述变成一个节点契约：进入它需要哪些已证实的事实，离开它留下哪些可观察的产物。这一步把“完成”的含义从执行者内心转移到世界状态上。

第三步，构造依赖图与关键路径。节点之间的边说明哪些事实必须先成立，哪些步骤因此可以并行、哪些必须等待真实证据。关键路径给出最早完成时间，同时划定了失败时哪些已验证产物可以保留。

第四步，只执行当前就绪节点。执行器每轮只从就绪集取节点——所有前置节点都已被观察器证实完成的节点。这一约束保证每个动作都发生在前提成立之后，而不是发生在规划器的想象之中。

第五步，用真实观察更新状态。退出码、文件差异、测试结果、审批记录被观察器翻译成事实，控制器比较预期与实际，决定推进、重试、回退或重规划。计划文本里的“完成”至此不再有任何效力，只有观察记录能推动链条前进。

第六步，从稳定检查点局部重规划。失败按类型归入最小更新范围：瞬态错误限次重试，前置事实错误回到最近来源，补丁副作用只作废补丁及下游，目标改变才扩大重规划。已验证产物以稳定 id 和版本固定，重复劳动被排除。

六个步骤各自回答了链条上的一个疑问，而链条整体回答的是最初那个：怎样把目标变成可执行、可修订的状态图。可执行，因为每个节点都有前置条件、产物和完成谓词；可修订，因为观察驱动的滚动更新只替换受影响的子图、从稳定检查点局部恢复。规划的产出从一段漂亮文本变成一台状态机器——每一步都有明确的生产者、验证者和回退路径，任何一环都不能单方面宣布成功。