Agent 中 Planner 是什么？——基于 Spring AI Alibaba 的工程化解析

🧭 Planner 如何做到“先生成计划，再执行”？——Spring AI Alibaba 工程化拆解

Planner 能实现“先规划再执行”，本质上不是模型突然具备了执行控制能力，而是在工程架构上人为拆出了两段 LLM 调用 + 一条受控执行链路：规划阶段（Planning Phase）与执行阶段（Execution Phase），两者通过结构化输出和框架调度解耦。

📌 一、问题背景：为什么必须“先计划再执行”

如果没有 Planner，LLM 往往是“边想边做”，即一步推理一步调用工具，典型问题包括：

• 工具调用顺序混乱
• RAG 与 Tool 混合不可控
• 复杂任务无法拆解
• 失败后无法全局重试

🚀 二、核心机制：Planner 的“双阶段模型”

在 Spring AI Alibaba 中，Planner 实际被拆成两个强约束阶段：

🧠 1. Planning Phase（只思考，不执行）

• LLM 只负责理解任务
• 生成结构化 Plan（JSON / DSL）
• 禁止 Tool 调用
• 禁止外部 IO

这一阶段的关键是：通过 Prompt + Schema 强制模型只能输出“计划”，不能执行动作。

比如：计划生成是GPT4，执行可以是其他小模型

⚙️ 2. Execution Phase（只执行，不再规划）

• 框架解析 Plan
• 逐步执行 Step
• 调用 Tool / RAG / Service
• 收集结果

这一阶段完全由 Spring AI Alibaba Runtime 控制，LLM 不再自由发挥。

💡 三、关键技术：如何“强制分离规划与执行”

Planner 能成立的核心不是“聪明”，而是三种工程约束：

1️⃣ Structured Output（结构化输出约束）

• JSON Schema / DSL 限定输出格式
• 禁止自由文本
• 强制字段：steps、tools、dependencies

2️⃣ Prompt Isolation（提示词隔离）

• Planner Prompt 与 Execution Prompt 完全分离
• Planner：只能“设计方案”
• Executor：只能“执行步骤”

3️⃣ Runtime Control（运行时控制权下沉）

• Spring AI Alibaba 控制执行循环
• LLM 无法决定是否执行 Tool
• 执行顺序由框架决定

🔁 四、完整执行流程（Spring AI Alibaba）

注意：Planner 和 Executor 之间存在“硬边界”，中间通过结构化 Plan 进行解耦。

📊 五、为什么这种方式有效（本质原理）

• LLM 擅长生成结构，不擅长长期控制
• 规划与执行混合会导致路径漂移
• 拆分后可以做可观测与可回放

🔥 六、实际工程案例

例如“分析用户订单异常”：

• Planner 输出：
• Step1：查询订单
• Step2：查询规则库
• Step3：调用分析模型

Executor 按顺序执行，而不是边执行边决定下一步。

🎯 七、面试常见问题

• Planner 为什么要和 Executor 解耦？
• 如何保证 Planner 输出可执行？
• Planner 是否可以动态修改 Plan？
• Spring AI Alibaba 如何实现 Plan 校验？
• ReAct 和 Planner-Executor 有什么区别？

📌 八、总结