第6章规划与推理（Planning & Reasoning）

🧠 "真正智能的 Agent 不只是执行命令，而是能够独立规划、推理并完成复杂任务。"

🎓 学习目标

完成本章学习后，你将能够：

✅ 理解 Agent 的思考与推理过程
✅ 掌握 ReAct 框架（Reasoning + Acting）的工作原理
✅ 实现任务分解策略，将复杂问题拆分为可执行子任务
✅ 构建自我反思与错误纠正机制
✅ 完成一个自动化研究助手 Agent 的实战项目

⏱️ 预计学习时间

约 90-120 分钟（含实战）

💡 前置知识

完成第4章（工具调用）和第5章（记忆系统）
了解递归和循环控制流

🔗 学习路径

后续推荐：

👉 第8章上下文工程

👉 第13章 LangGraph

本章概览

本章深入探讨 Agent 的"大脑"——规划与推理系统。如果说工具调用赋予了 Agent "双手"，记忆系统赋予了它"回忆"，那么规划与推理就是赋予它"思考力"。从 ReAct 框架到任务分解，再到自我反思机制，本章帮你构建能够处理复杂、多步骤问题的 Agent。

本章目标

学完本章，你将能够：

✅ 理解 Agent 推理的核心机制（ReAct、OODA、Plan-and-Execute）
✅ 从零实现一个 ReAct Agent，理解"思考-行动-观察"循环
✅ 掌握任务分解策略，将复杂问题拆解为可执行的子任务
✅ 实现反思与自我纠错机制，让 Agent 从错误中学习
✅ 构建一个综合运用规划推理的研究助手 Agent

本章结构

小节	内容	难度
6.1 Agent 如何"思考"？	推理机制与认知框架	⭐⭐
6.2 ReAct 框架	推理+行动的经典实现	⭐⭐⭐
6.3 任务分解	复杂问题拆解策略	⭐⭐⭐
6.4 反思与自我纠错	让 Agent 自我改进	⭐⭐⭐
6.5 实战：研究助手 Agent	综合应用	⭐⭐⭐⭐

⏱️ 预计学习时间

约 90-120 分钟（含实战练习）

💡 前置知识

已完成第 4 章（工具调用）和第 5 章（记忆系统）
了解 Python 的函数定义和字典操作
对 LLM 的 API 调用有基本经验

🔗 学习路径

前置知识：第4章工具调用、第5章记忆系统

后续推荐：

👉 第7章 RAG — 给 Agent 接入外部知识

👉 第12章 LangChain — 用框架高效实现 ReAct Agent

👉 第13章 LangGraph — 用图结构实现复杂推理流程

下一节：6.1 Agent 如何"思考"？