一句话定义：执行模型是智能体（Agent）系统里专门把“已经想好的步骤”变成实际动作的模型——它不负责想，只负责做：发出工具调用（Tool Call）、填好参数、改对文件里的那几行。它通常比负责规划的模型更小、更快、更便宜。
打个厨房的比方。总厨看一眼订单，决定“这条鱼要清蒸、先改刀、再上蒸箱”——这是规划模型（Planner）干的活，需要经验、需要全局判断。但总厨不会亲自切姜丝。站在旁边的切配工听到“姜丝”，手就动了，他不需要懂这道菜为什么清蒸。切配工就是执行模型：任务窄、动作熟、出手快。
这种分工在技术上成立，是因为两类工作的“认知难度”差得很远。规划要权衡用户意图、上下文（Context）、失败后的退路，输出的是开放的自然语言；执行要做的只是从有限的工具清单里挑一个、按既定格式填参数、或者按 diff 改几行代码。输出空间越窄，小模型越够用。常见做法是用大模型批量生成执行轨迹，再通过监督微调（Supervised Fine-Tuning, SFT）或蒸馏（AI 词典：Distillation">Distillation）把它教给小模型，也有针对特定工具集做强化学习的。
为什么值得单独拆出来。智能体是一个循环：想一步 → 做一步 → 看结果 → 再想。一个任务跑十几二十轮很正常。如果每一轮都让最大的模型出手，延迟（Latency）和成本是复利式叠加的——单次省一秒，二十轮就是二十秒，用户体感上就是“这 AI 怎么这么卡”。而循环里绝大多数轮次其实是机械动作。
| 维度 | 规划模型（Planner） | 执行模型（Execution Model） |
|---|---|---|
| 职责 | 决定做什么、为什么 | 决定怎么点、怎么填、怎么改 |
| 输出 | 开放的自然语言计划 | 结构化的工具名 + 参数 / 编辑指令 |
| 体量 | 大，能力强 | 小，专精 |
| 关键指标 | 判断正确率 | 延迟、成本、格式合规率 |
| 出错后果 | 方向错，全盘错 | 单步错，可重试或回滚 |
容易混的地方。一说 execution model，有人想到的是“执行模型”在框架语境里的另一个意思：一个工作流图是怎么被跑起来的——串行还是并行、同步还是异步、失败了重不重试。那是运行时（Runtime）话题，和这里的“模型分工”不是一回事，看上下文区分。另外它也不等于路由器（Router）：路由器只做“这题该给谁”的分发，自己不产出动作。
对从业者的意义：别用一个模型干完整个循环。把“想”和“做”拆开，是降本和降延迟最直接的一招。代价是复杂度：边界要划清楚，执行模型出错时往往不知道自己错了，得靠大模型回看结果或加校验器兜底。另外，执行模型的可靠性高度依赖工具定义的稳定性——工具描述改一个字，行为就可能漂移，具体以各家官方文档为准。
对普通人的意义：你日常感受到的“这个 AI 助手反应快不快、卡不卡”，很大程度上取决于执行模型，而不是那个最聪明的模型。就像餐厅上菜快不快，往往取决于切配台，而不是总厨的厨艺。