按图施工——Oota et al.《Do LLM Agents Execute the Plans They Declare? From Planning-Mode Declaration to Pattern-Specific Execution》（arXiv:2609.38108）费曼式解读

按图施工——Oota et al.《Do LLM Agents Execute the Plans They Declare? From Planning-Mode Declaration to Pattern-Specific Execution》（arXiv:2609.38108）费曼式解读

还是那个装修队。

昨天我们讲了他们如何学会开站会：每天上工前十分钟，所有人拢在毛坯房里，盘点昨天干到哪、今天按哪份图纸来、几点收工。站会一开，工人不必满屋子追着工头问，工头也不必满屋子跑。第一重门——统筹——算是迈过去了。

但故事没完。站会开完的第二天，工头把一沓图纸钉在墙上，跟八个工人交代：这单业主年轻，要的是北欧极简，黑白灰，少即是多，谁也不许自由发挥。工人们点头，说放心吧师傅，按图施工。

两周后业主来验收。推开门，他愣住了：天花板上盘着石膏线，墙角立着两根罗马柱，灯槽里贴着金箔，电视背景墙是一块猩红的大理石。极简没有，极繁倒是很努力。

工头把工人叫来问。工人也委屈：每一锤都有理由啊——这根罗马柱是顺手，金箔是剩料不用浪费，红大理石是厂家促销。单看每个决定，都不算离谱；合起来看，跟图纸上那个北欧风，已经没有关系了。

我看着这个场面，忽然想到了 AI 里那群叫 agent 的东西。它们上岗前也都说得好好的：我计划先这样、再那样，一共分几步，每步干什么——计划书写得清清楚楚，像模像样，有的还会分点编号，看着特别专业。可真干起来，你去看它们的施工记录，图纸早就不知道扔哪去了。有研究者把这毛病认真量化了：在三个基准测试上，只有百分之二十二到百分之四十五（22%-45%）的轨迹，真正守住了自己声明的计划结构。也就是说，超过一半的时候，agent 嘴上说的是一套，手上做的是另一套。

这其实有点黑色幽默——装修队这个毛病，人类骂了几千年，写的监理手册摞起来比人高，最后还是靠验收不合格返工来兜底；agent 把它原封不动地继承了，还继承得很有统计显著性。区别只在一点：装修队歪了，业主会当面骂；agent 歪了，它自己不觉得，日志里也不会有一句道歉。

今天要讲的这篇论文，量的就是这道缝：计划的声明和计划的执行之间，那条又深又安静的鸿沟。它也是执行者要过的第二重门——诚实。上一篇讲"想清楚下一步"，这一篇讲"定了就得照做"。

🎼 一、会写谱，不等于会弹琴

先说清楚一个被很多人混为一谈的问题。

让一个 AI agent 啃一个长任务，笼统讲就是两件事：生成计划，执行计划。听起来像一件事的两半，其实没那么简单。论文一开始就把它拆开了：把活干成，需要两种截然不同的能力。

第一种，选对计划。任务摆在面前，先想清楚走哪条路——是整体规划一步到位，还是摸着石头一步一步来，还是先分阶段再逐层拆解，抑或干脆大范围试错、不行就退回来。这一步考验的是判断，是品味，是"见任务知打法"的阅历。同样是从城东到城西，赶时间走高速，怕堵车走环线，想省钱坐公交，想去顺路买杯咖啡就扫街——任务本身的形状，加上你对路况的预判，共同决定了哪条路是对的。

第二种，忠实执行。路选好了，脚就得按路上走。计划说分三步，就三步；说先干后湿，就先干后湿；说这一步不许动别的心思，就别动。这一步考验的不是聪明，是纪律。是三百条消息滚过之后，还记得开工第一天墙上钉着的那张纸。

会写谱和会弹琴，是两种功夫。一个乐手可能识谱极佳，目光一扫肖邦的谱子心里全有数，可手指不听话，弹出来全是即兴爵士；另一个乐手即兴天赋惊人，拿到谱子却烦躁，弹两页就忍不住加花。你把两种功夫压在同一套机制上，要求他既当作曲家又当演奏家，结果就是：你永远搞不清一场演砸的音乐会，问题出在谱子还是出在手上。

这正是现有 planner-executor 系统的尴尬。名字里分工明确：planner 负责生成计划，executor 负责照着做。实际却常常一团浆糊——因为执行那一端是个语言模型，它干活的方式是"一步步重新决策"。每一步它都看着当前的场面临场想：接下来我干嘛？计划书？计划书是三条消息之前写的，早被滚动的历史冲得模模糊糊了。

于是系统失败了，你只看到任务没完成。可到底是计划本身就错了，还是计划本来挺对、执行给做歪了？从外面看，这两种失败长得一模一样，像一场办砸的婚礼——你没法只凭"婚礼搞砸了"这五个字，判断是策划书离谱，还是执行的人临场改了主意：花艺师觉得白玫瑰单调，擅自换了红玫瑰；司仪觉得流程太闷，即兴加了个环节。每一个改动单看都有人情味，合起来就是一场别人的婚礼。

诊断不了，就无从对症下药。把"选错"和"做歪"混在一起谈优化，等于开着一辆方向盘和油门缠在一起的车，你还不知道它为什么总撞墙。更糟的是，很多人连车里有两种毛病这件事都没意识到——看到成功率低，直觉反应是计划写得不够好，于是去改进 planner，给提示词加花样。方向可能完全错了：也许计划本来就对，是执行悄悄背叛了它。

这篇论文的全部野心，就是把这个糊涂账拆开：把"选"和"做"分开度量，看看执行这一端到底塌了多少，以及——能不能用工程手段把它修起来。

🗣️ 二、agent 的嘴，agent 的手

先把"做歪了"这件事量化，这也是全文最让人坐不住的发现。

现在最主流的做法叫 Plan+ReAct：开工前，先让模型写一份计划，声明接下来要干什么；然后进入 ReAct 循环——观察环境、想一步、做一步，边干边看。这个范式看上去很合理，甚至有仪式感：先有计划，后有执行，多么井井有条。很多系统的演示视频里，那份开工宣言写得头头是道，外行看了要鼓掌。

问题出在执行的微观机制上。ReAct 的每一步，模型都在做一次小决策，而做决策时它面前摊着的是全部历史：环境反馈、上一步的动作、之前写下的每一行计划。历史越长，摊得越厚，注意力越散。计划这个东西，在三条消息之前写下时是有分量的；等历史滚到三百条消息，它就变成了文档堆里一张发黄的纸。纸还在，没人看了。

举个例子。你开导航，软件算了半天，说：全程高速优先，预计一小时四十分钟。你点头出发。结果每个路口你都凭感觉拐：这条辅路看着顺，拐一下；那个商场好像有洗手间，绕一脚；听前面说高速堵车，下来走国道吧。一小时四十分钟的规划，开成了三个小时的城市漫游。导航没坏，是你每个路口都重新决策，而重新决策的时候，你懒得再看规划了。导航的悲哀不是算错路，是它的话你只听前三个路口。

agent 就是这个司机。研究者把通用 Plan+ReAct 的执行轨迹和声明的计划逐一比对，比对的指标叫结构保持——声明说分四步，执行是不是四步？声明说第一步先做 A，执行是不是先做 A？声明说这几步之间有先后依赖，执行是不是按依赖来？结果让人坐不住：在三个基准上，只有百分之二十二到百分之四十五的轨迹，守住了自己声明的计划结构。

换句话说，在相当一部分运行里——往往还是过半数的那些——那份开工前写得煞有介事的计划，从头到尾只是个仪式。agent 说完"我要这样做"之后，转身就凭现场的感觉乱走——和导航软件里那个每个路口都凭感觉拐的司机，和毛坯房里那个把北欧极简做成巴洛克的工人，一模一样。

而且计划越长，丢得越狠。这几乎是必然的：计划越长，执行中滚动的历史越厚，旧计划在注意力里的权重就越低。五步的计划还容易记得，五十步的计划就是写给日记本的。声明的时越庄重，丢弃的时候越无声。这条缝，论文给它起了个名字：计划声明-执行鸿沟。名字很学术，说的就是装修队那句老话——图纸上是一套，现场是一套。

值得强调的是，这个鸿沟不是模型的"态度问题"。不是模型故意撒谎，而是现有机制的注意力结构决定了：旧承诺会过期。就像你不能怪一个人三周后忘了便利贴上写了什么——要怪就怪那套把便利贴贴在流水线传送带上的办公系统。承认这一点很重要，因为它决定了修法——你不能靠呼吁一个会过期的脑子更自律，你得给它一个不会过期的机制。

🧭 三、四种走法

鸿沟找到了，怎么修？论文的第一步动作，是先给"计划"这个东西做个分类。

这步棋看似平淡，其实关键。你如果不知道计划有哪几种，就没法谈"按哪种执行"。就像你要给出行方式立规矩，得先知道世上一共几种走法。作者们把语言模型会声明的计划，归成了四种模式。这四分法本身就很耐看，每种模式后面都是一个清晰的直觉。

第一种，预定义模式，英文叫 Predefined。开工前整张蓝图全在手，步骤、顺序、细节全部定死，执行就是照章办事。这像坐直达巴士：路线固定，站站都停，司机不征求你的意见，你要做的只是别提前下车。它的优点是确定性——只要不脱轨，结果就长图纸那样；缺点是不变通——路上塌方了，巴士也不会给你换道。适合那种路径明确、变数极少的任务。

第二种，顺序模式，Sequential。只定下一步，干完这一步，看着结果再定下一步。像徒步导航：它不告诉你全程路线，只在每个路口告诉你拐还是不拐。灵活是真灵活——每一步都基于最新情况，但眼光也是真短——你永远不知道拐完这个路口，下一个路口等你的什么。适合那种一步一景、没法预判太远的任务。

第三种，分层模式，Hierarchical。先把大目标拆成几个阶段目标，每个阶段目标再拆成具体动作，一层管一层。像自驾跨城：导航先把你带到服务区，到了服务区，再根据路况决定下一程走哪条国道。大方向有人管，小细节临场定，是四种模式里最像"管理"的一种——先定骨架，再填血肉。

第四种，搜索模式，Search。不预设任何路线，在解空间里反复试探、碰壁、回溯、换方向。像全城扫街找一家没记住名字的店：每条巷子都探头看一眼，不对就退回来，换条巷子再看。它最笨，也最不怕错——因为回头路是它设计的一部分。适合那种目标明确但路径完全看不清、只能靠试的任务。

四种走法，没有哪种先天高贵。它们的差别不在好坏，在适配：任务的形状、环境的样子、还有干活那位的脾气，共同决定哪一种该上场。这个"适配性"的直觉，后文的数据会狠狠地确认它。现在先记住这四种模式的名字和脾气，因为论文的解法，就是建立在"先声明走法，再按走法派活"这个朴素的次序上。次序对了，很多后面的麻烦自然就有了着落。

🚦 四、把图纸变成派单

现在讲这篇论文的核心设计，名字叫 Planning-as-Routing——规划即路由。

装修队的世界里，"按图施工"四个字喊了几十年，真正靠它管住现场的没几个，因为口号斗不过现场。什么时候口号管用了？当图纸不再钉在墙上供参考，而是变成派工单系统的时候：拆哪面墙，工单上写着；用什么标号的水泥，工单上写着；贴砖留多宽的缝，工单上写着。工人没有临场改工单的权限，想改，回去走流程。

Planning-as-Routing 干的就是这件事。它把一个 agent 的执行流程劈成两段。

第一段，声明。面对一个新任务，语言模型先做一个很轻量的决定：这个任务，该用四种模式里的哪一种？Predefined、Sequential、Hierarchical 还是 Search？这一步是一次性的，像工头接单时扫一眼图纸，定了基调。模型在这一步说的话很少，但每个字都有下游后果——它不再是宣言，而是一张派单的抬头。

第二段，路由。一个确定性的路由器，根据声明的模式，把任务分发给对应的模式专用执行器。这四个执行器是各自独立、各按各的规矩干活的：声明了搜索，就走搜索那套固定的试探-回溯流程，碰壁就退，退了就换；声明了分层，就按树状拆解一层层推进，上层目标没完成不许跳下层；声明了预定义，就照着定死的步骤走，一步不多一步不少；声明了顺序，就老老实实每步只定下一步。

这里最要紧的是"确定性"三个字。路由器不是语言模型，执行器内部的流程也不靠模型现场自由发挥——声明了什么模式，执行就是什么形状。这正是它和 Plan+ReAct 的本质区别：Plan+ReAct 的计划是写给人看的宣言，模型随时可以、实际上也经常在执行中抛弃它；Planning-as-Routing 的计划是写给机器的路标，路标之后是一条固定的轨道。宣言的效果取决于说话人的记性，轨道的效果只取决于铺轨的工艺。

打个比方：前者是婚礼上的誓言——庄重，真诚，但没有任何机制保证兑现；后者是婚前协议——每一条都对应着可执行的、绕不开的安排。不是说誓言不好，而是当兑现率只有百分之二十二到四十五的时候，该换思路了：把诚实从一种美德，变成一条机制。

论文里管这四个执行器叫 pattern-specific executor，模式专用执行器。名字拗口，思想朴素：让"做计划的嘴管不住干活的手"这个问题，从根上消失——不是让手更自律，而是给手戴上分好类型的手套；戴什么手套，由嘴声明的那一刻就定死了。手的自由发挥空间被收走了，换来的，是承诺的保质期无限延长。

📈 五、数字不会说谎

机制讲得再漂亮，也得过实验这一关。这组实验铺得相当开：四个基准、三个大语言模型，横跨多种任务形态——模拟家庭、真实软件工程，以及更多不同脾性的环境。这个跨度值得专门说一句：单一基准上的漂亮数字，经常只是碰巧适配了那一亩三分地；把场景拉开到四种、把模型换成三家不同厂商的，结论还站得住，才算真站住了。我们看最要紧的几组数。

第一组，结构保持。模式专用执行器像轨道一样，从机制上就不存在"走样"这回事——声明什么结构，执行就是什么结构，百分之百。这是结构性保证，不是概率性自觉。这一下就把 Plan+ReAct 那个百分之二十二到四十五的尴尬，从根上抹掉了。别忘了上一节的教训：这不是模型变乖了，是机制不让它歪。

第二组，也是全文最硬的数：任务成功率。在 ALFWorld 这个模拟家庭环境的基准上，把通用的 Plan+ReAct 换成模式专用执行器，成功率从 0.48 提到了 0.92。接近翻倍。你可以停下来咂摸一下这个数——不是靠更聪明的模型，不是靠更多的数据，只是把"说到做到"从口号变成机制，一半的失败就消失了。装修队还是那个装修队，手艺一分没长，只是图纸变成了派工单。

第三组，在 SWE-bench Verified 这个真实软件工程任务的基准上，成功率从 0.36 提到 0.44。提升是实打实的，但比起 ALFWorld 的翻倍，明显温和。怎么理解这个落差？家庭任务里，大量的失败恰恰是执行纪律问题——步骤乱了、东西忘拿、做到第三步忘了第一步要干嘛，这种任务，把结构钉死就能救回来大半。而真实软件工程里，卡脖子的更多是问题本身的难度：这个 bug 就是难定位，这段代码就是绕，执行再忠实，也忠实不出本来就不会的东西。执行纪律能加的分，是有上限的。

但这正是这组实验最可贵的地方：它没有把话说满。同样的机制，在一个基准上翻天覆地，在另一个基准上稳步前进——诚实的报告就该长这样。大而化之的"全面超越"谁都会喊，具体到每个环境的涨跌，才看得出研究者对自己的数据有没有敬畏。顺便说一句，这篇论文和昨天那篇的气质在此刻合流了：都是在用工程机制，兑现人类常识里早就有的道理——昨天是站会，今天是派工单。

综合来看，所有数字指向同一个结论：在"选"和"做"这对老搭档里，最大的短板在"做"，最大的收益也在"做"。把执行端修好，比把选择端修好，立竿见影得多。这为整个领域提了个醒：过去几年大家痴迷于让模型"想得更聪明"，而这篇论文证明了，先让它"做得更老实"，回报可能大得多。花活儿决定的是上限，老实决定的是下限；而下限，恰恰是多数系统死的地方。

🗺️ 六、没有一种走法包打天下

那是不是说，存在一种最强的模式，以后所有任务都用它？数据说：不。

论文里有个非常关键也很诚实的发现：四种模式的有效性，随环境而变，随模型而变。

在 ALFWorld 上，表现最好的是搜索模式。想想也对——模拟家庭任务里，试错是廉价的：打开冰箱发现没有番茄，关上就是了，退回来换条路线，几乎零成本。而一个肯扫街的 agent，早晚能把全屋摸清楚。在这种环境里，预设再漂亮的蓝图，都不如"碰壁了就退回来"的韧性值钱。搜索模式的笨，在这个环境里变成了耐。

到了 SWE-bench 上，最好的是分层模式。这也好理解——修一个真实软件的 bug，门道是先把症状定位到模块，再把模块拆成函数，一层层往下追，而不是拿着扳手满机箱乱敲。乱枪打鸟式的搜索在这里代价极高：每改一行代码，都可能引入新错误，每一次回溯都要重新跑测试，成本高得让扫街变成奢侈。先分层定位、再精准下手，是老程序员的本能，也是数据选出的赢家。

更有意思的是，同一个基准上，不同的模型选出的最优模式也可能不同。用出行打比方：去楼下便利店，全城扫街是蠢的，直达才是正解；跨省搬家，徒步导航是疯的，分层中转才是正解；而同样的跨省路线，老司机熟悉国道，新司机只敢全程高速——路是同一条路，人不是同一个人。任务决定大类，模型决定细类——这张"没有万能模式"的地图，恰恰反过来证明了"先声明模式、再按模式执行"这个架构的合理性：正因为不存在全局最优，才需要在每个任务开头，郑重其事地选一次。如果世上只有一种走法，路由本身就多余了；正因为走法必须挑，声明这一步才有分量。

这也顺便回答了很多人心里的疑问：四种模式会不会太多了，两种行不行？数据说，不行。环境的脾气差异大到这个份上，模式的选择空间一旦收窄，就等于强迫所有出行都坐同一种交通工具。堵在环线上的时候，你会想念那辆自行车的。

🎲 七、最难的题还在前头

故事讲到这，似乎圆满：模式分类清楚了，路由机制装上了，结构保住了，成功率涨了。但论文没有把结尾写成庆功宴，而是留了一个开放的、有点刺手的尾巴。

什么尾巴？声明模式这一步，目前还是语言模型自己拍的。也就是说，agent 不仅要"说到做到"，还得先"看任务知走法"。而数据显示，当前的模型，并不总能选对。

前面说了，模式的有效性随环境、随模型而变，这本身就够难选的了——连研究者事后对着数据都要仔细分析才能看清各环境的脾气，凭什么要求模型在任务开头、信息最少的时候一击即中？更要命的是，模型自己对这个选择的自觉相当有限，它的"模式直觉"里有不少想当然：见任务就分层，似乎是个稳当答案，可稳当不等于最优。

研究者试了 few-shot 的办法：在提示里给几个"什么任务配什么模式"的示例，相当于给司机看几份别人的出行攻略——去机场该直达，逛夜市该扫街，配好对的例子摆在那，让模型自己悟。结果是——在部分基准和模型的组合上，选择确实变好了；但不是所有组合都灵。这个"部分改善"很诚实，也很无奈：它说明模型并非完全不可教，但也远没出师。示例能治标，规律还没学到手——它记住了几个配对的答案，没悟出配对的道理。这跟人类学开车一个道理：看十份别人的路书，不如自己摸熟一座城市的脾气。

这就是这篇论文最有分寸的地方。它没有宣称解决了全部问题，而是把问题清清楚楚切成两半：执行端的问题，被模式专用执行器干净利落地解决了——这是工程；选择端的问题，模型还只是部分可靠——这仍是科学。装修队的话讲：我们已经有了一支按图施工的可靠队伍，派给他们的图纸类型，目前还得靠老师傅的经验来定，而这个经验，还没有变成能传下去的规矩。

这个留白，恰好是通向第三重门的门缝。先说好的，本篇的账：诚实这一重门，已经可以工程化地迈过去了——把声明变成路由，把誓言变成机制，鸿沟就能大幅关闭。选模式这一半，还悬着。

🚪 八、第二重门之后

回到开头那个毛坯房。

后来工头学乖了：图纸不再钉在墙上，而是变成了派工单系统。拆哪面墙、砌什么标号的水泥、贴哪个牌子的砖，全在单子上；工人想改，没有权限。下一单业主来验收，推门一看——北欧极简，黑白灰，连窗帘的色号都对得上。业主在屋里转了三圈，只说了一句话：这才叫按图施工。

这就是第二重门：诚实。统筹之后的第二份作业，管的是"定了就得照做"。这篇论文给出的答案朴素得近乎固执：别指望语言模型在三百条消息的历史里还记得开工宣言——它不是不想守，是那玩意儿在它注意力里的保质期太短。与其呼吁自律，不如设计机制：让声明发生在路由之前，让路由决定执行器的形状，让结构从愿望变成轨道。轨道铺好，诺言才不再靠记性活着。这篇论文和上一篇摆在一起，你会看到一个共同的方法论：凡是需要美德的地方，先想想能不能换成结构——站会如此，派单如此，后面第三重门还会如此。

数字替这个朴素说了话：结构保持从百分之二十二到四十五，修到百分之百；ALFWorld 上成功率 0.48 到 0.92，SWE-bench Verified 上 0.36 到 0.44；四个基准、三个模型横跨验证。三组数摆在一起，就是这篇论文的完整答卷。同时它也诚实地标出了边界：模式怎么选，模型还只是部分可靠，few-shot 只是部分改善——诚实的执行可以工程化，聪明的选择还不能。这句话值得抄下来贴在工作台上：机制能解决的部分，别留给祈祷；祈祷也解决不了的，承认它是科学。

前两重门连起来看，是一个执行者成形的顺序：先学会统筹，想清楚下一步；再学会诚实，定了就照做。还差最后一重：进化。前面两门，都假设有个老师傅在上头——塔台管着调度，路由器管着纪律，老师傅的经验管着选模式。可如果压根没有老师傅呢？没有考试、没有评分、没有外部奖励的时候，agent 能不能自己把自己打磨得更好？

下一篇我们讲这件事。那里有个数字我先放在这：4.03 美元——一杯咖啡的钱，换来的东西追平了全世界最顶级的那批 harness。不靠老师傅的修行，是什么样子。

统筹、诚实、进化。管事、守信、成长——听着像家训，其实也是算法要一份一份交的作业。装修队的老话头说完了，明天去看那个不请教练、自己写日记的。

📚 参考文献

• 论文：Oota et al. "Do LLM Agents Execute the Plans They Declare? From Planning-Mode Declaration to Pattern-Specific Execution", arXiv:2609.38108, 2026-09-29