WRC 賽車最經典的場面就是除了賽車手開著市售車款飛天遁地以外，最有趣的就是旁邊坐著一個副駕，讀著一本稱為「路書」的路線圖，用一些簡略的話去指引賽車手前進。 這個設計在追求速度的賽車界很有趣，因為坐一個副駕更重呀，為何需要把複雜的任務分成兩個角色——規劃者和執行者?

原因很簡單，WRC的賽道都是非常複雜，路況多變的越野賽到，他們經驗發現「規劃者搞清楚計劃，執行者全力執行然後隨機應變最有效率」

回到 AI Agenrt ，你有沒有想過當一個 AI 被指派一個複雜任務，它的腦子裡是怎麼想的？ 上一篇我們比較 AI Workflow 跟經典的 ReAct Agent， 我們看到 ReAct Agent 最後解決了客戶問題。但你有沒有想過，在 ReAct Agent 的彈性的優點下有沒有哪個致命的問題。今天來介紹一下一個新的 Agent 模型，或許是現在大家最常看的 Plan & Exec 模型。

Plan-and-Execute

Plan-and-Execute（計畫與執行）架構的出現，其實是對 ReAct 高成本和低效率問題的直接回應。 它的核心思想很簡單：把 Agent 的工作流明確地分成兩個獨立的階段。

  • 第一階段是「規劃」。這裡交給最強大的 LLM 做一件事：一次性思考清楚，生成一個詳細的、多步驟的完整計畫。不著急執行，就是想清楚。
  • 第二階段是「執行」。計畫已經定好了，執行器就按照計畫逐一完成每個步驟。這裡不需要每次都調用大型 LLM來做決策。可以用更輕量級的模型，甚至簡單的規則來執行。

為什麼這樣更好？ ReAct 的問題是每一步都要 LLM 思考，所以成本高、速度慢。Plan-and-Execute 的優勢是思考集中在規劃階段，執行階段使用輕鬆便宜的 LLM。 WRC的車手也說，因為 WRC 路線實在太過複雜，一個人真的記不住路書又要靈機應變，所以真的需要副駕駛，基本上車手就是遇到 token 爆炸的問題。

跟 ReAct 比優點：

  • 大幅降低成本 — 不需要每一步都調用昂貴的大型 LLM。只在初始規劃和計畫失敗需要重新規劃時才用它。執行階段可以用更小、更快的模型，大大節省成本和時間。
  • 避免局部最優 — ReAct 邊走邊想，容易走進死胡同。Plan-and-Execute 強制 LLM 在出門前就做全局思考，一次性想清楚所有邊界情況，避免了局部最優的陷阱。

跟 ReAct 比缺點：

  • 應變能力弱，魯棒性差 — 計畫是寫死的，執行過程中可以應對狀況，但是沒有 ReAct 做得那麼好 。一旦某個步驟失敗，只能靈活性。
  • 執行效率有限 — 很多 Plan-and-Execute 的實現還是一步一步來，無法並行。所以效率提升空間還很大(比起其他可以平行 run 的 模式) 。

場景差距

跟聊天機器人來比的話，ReAct 更適合是一個陪伴型的 ChatBot , 或是知識問答 ChatBot ，他靈活簡單，問到特定問題模型邊想邊查，但是較難處理複雜問題（超過5步），容易出現局部最優但是不是全局最佳。

Plan & Exec 更適合是「旅遊規劃」聊天機器人，或是 Coding Agent，用戶說需求到模型規劃整個對話路線（確認問題到查詢方案到提供建議到執行決策）到逐步引導用戶走完流程。缺點就是首個回應慢（需要較長規劃時間）。

Plan & Exec 跟 ReAct 的經典使用

老實說，並沒有看到哪個工具都用 ReAct ，也沒有看到哪個工具一定用的是 Plan & Exec。首先，商務場景下根本就不可能看到純 ReAct ，現實上一定採取限制步數的 ReAct ，因為純 ReAct 遇到無法解決的問題一定是 token 爆炸

ReAct 舉例

一般現在有水準，可以搜尋的 Chatbot ，幾乎都是 受限制ReAct 的教科書案例

像是我故意問ChatGPT 5 Thinking：「對比 Claude 5、GPT-6、Gemini 最新版本在推理、代碼生成、多語言方面的表現，給出具體測試數據」。有沒有注意到，我故意問錯的問題( 2025/11/1 時間，Claude公開只出到 4.5 ，GPT只出到 6），要考驗他們除錯都能力。

ChatGpt：思考 → 搜尋多個來源（新聞、技術論壇、官方公告）→ 觀察結果 → 再思考「我找到的夠完整嗎」→ 可能再搜尋補充 → 最後綜合回答。你能看到它的思考過程，它在即時調整搜尋策略。

Plan & Exec 舉例

同比 Plan & Exec 最直觀的例子就是 Deep Research 了，尤其是 Gemini 的 Deep Research 在 UI 設計上根本就是教科書級別 Plan & Research 介紹

當我問到 Gemini 「幫我解釋 react 跟plan and exec 在ai agent 模式的不同 」，他會先給你一個研究大綱，等你確認後，再去每一步搜尋，調整，每一步都有可能找錯資料，但是會在每一步的範疇內微調。

當然，Claude Code 的 Plan Mode 也是很好很直觀的 Plan&Exec; 的案例。當我們下達修改某個 feature，通常都只要稍微複雜，就會需要先 Plan 列出來後才進行修改

你的 Agent 是盲目加速還是讀著路書跑？

之前說到如果環境多變化，你需要 ReAct 來保證魯棒性，但是如果環境多變化，任務又很複雜——你需要 Plan-and-Execute。 整體用 Plan 保證不亂走，局部用 ReAct 靈活應對。就像真實的 WRC：副駕手寫好路書，永遠看著整個賽道全局最優，但主駕手在每個彎道仍然要靠直覺微調。這才是 WRC 的勝利方程式，兼顧全局跟細節的微調。