一句话定义：计划-执行（Plan-and-Execute）是一种让大语言模型（Large Language Model, LLM）先把任务拆成一份完整的分步计划，再照着这份计划逐步执行的智能体（Agent）工作范式——规划与执行分成两个独立阶段，而不是揉在一起。
它到底怎么运转
打个装修的比方。AI 词典：ReAct">ReAct 派的做法是请一位师傅上门，他看一眼墙、敲一敲、再决定下一步干什么，边干边改主意。Plan-and-Execute 派的做法是先请设计师出一张施工图：先拆旧、再改水电、再贴砖、最后刷墙，然后师傅拿着图纸按顺序施工。
落到工程上通常有三块：
1. 规划器（Planner）：一次 LLM 调用，把用户那句模糊的"帮我做个竞品分析"拆成有序的步骤清单，常见输出是一段结构化文本或 JSON 数组。
2. 执行器（Executor）：拿到清单后逐步执行。每一步可以是一次 LLM 调用，也可以是一次搜索、一次数据库查询、一次代码运行，彼此独立。
3. 重规划（Replan）：一轮跑完，把中间结果汇总回喂给模型，让它判断"够了就收工，不够就重新出一份计划"。这一步是可选项，但没有它，方案遇到意外就容易卡死。
和 ReAct 的区别
ReAct（Reason + Act）的循环是"想一下 → 做一下 → 看结果 → 再想一下"，计划是隐式的，散落在每一步的推理里。Plan-and-Execute 则把计划显式地先摆出来。
| 维度 | Plan-and-Execute | ReAct |
|---|---|---|
| 决策节奏 | 先规划，后执行 | 边想边做 |
| LLM 调用次数 | 较少，计划一次加每步执行 | 较多，每一步都要推理 |
| Token 消耗 | 通常更低 | 通常更高 |
| 中途变化 | 要靠重规划才能应对 | 天然适应 |
| 可解释性 | 计划是一份可读、可审、可改的清单 | 思路藏在执行轨迹里 |
| 适合的任务 | 步骤相对确定、能提前拆解 | 探索性强、依赖环境实时反馈 |
一句话概括取舍：Plan-and-Execute 用"前置的思考"换成本，ReAct 用"持续的思考"换灵活。前者省 token，但计划一旦落地就有点"轴"——如果执行到第三步发现前提是错的，它不会自动掉头，得等重规划那一轮才反应过来。
对从业者和普通人的意义
对做 Agent 的人：长流程、批处理、步骤可提前枚举的任务（批量数据处理、多章节写作、标准化的信息收集）适合 Plan-and-Execute；每步强依赖上一步真实反馈的任务（调试代码、网页操作、多轮试错的工具调用）适合 ReAct。实践中更常见的是混合：外层用 Plan-and-Execute 搭骨架，每个步骤内部再跑一个小型 ReAct 循环。多数 Agent 框架都提供这两类实现，具体接口以各项目官方文档为准。
对普通职场人：当 AI 助手先甩给你一份步骤清单、再问"是否继续"时，别急着点确认。计划是整个流程里最便宜、也最容易纠错的环节——改一份计划只需要几秒钟，改一堆已经跑完的执行结果可能要重来一遍。看到 AI 先出计划，本身就是个值得利用的检查点。