子玥酱 （掘金 / 知乎 / CSDN / 简书 同名）

大家好，我是 子玥酱，一名长期深耕在一线的前端程序媛 👩‍💻。曾就职于多家知名互联网大厂，目前在某国企负责前端软件研发相关工作，主要聚焦于业务型系统的工程化建设与长期维护。

我持续输出和沉淀前端领域的实战经验，日常关注并分享的技术方向包括 前端工程化、小程序、React / RN、Flutter、跨端方案，
在复杂业务落地、组件抽象、性能优化以及多端协作方面积累了大量真实项目经验。

技术方向：前端 / 跨端 / 小程序 / 移动端工程化
内容平台：掘金、知乎、CSDN、简书
创作特点：实战导向、源码拆解、少空谈多落地
文章状态：长期稳定更新，大量原创输出

我的内容主要围绕 前端技术实战、真实业务踩坑总结、框架与方案选型思考、行业趋势解读 展开。文章不会停留在“API 怎么用”，而是更关注为什么这么设计、在什么场景下容易踩坑、真实项目中如何取舍，希望能帮你在实际工作中少走弯路。

子玥酱 · 前端成长记录官 ✨
👋 如果你正在做前端，或准备长期走前端这条路
📚 关注我，第一时间获取前端行业趋势与实践总结
🎁 可领取 11 类前端进阶学习资源（工程化 / 框架 / 跨端 / 面试 / 架构）
💡 一起把技术学“明白”，也用“到位”

持续写作，持续进阶。
愿我们都能在代码和生活里，走得更稳一点 🌱

引言

很多开发者刚开始做 AI Agent 时，都会有一个误区：

LLM 足够强

↓

直接输出答案

↓

任务完成

但实际项目里很快会发现，用户说：

帮我安排明天的学习计划

这并不是一个简单问题。系统需要：

分析课程

↓

分析空闲时间

↓

生成学习计划

↓

创建提醒

↓

同步日历

如果直接让模型一步输出：

最终结果

往往会出现：

幻觉

遗漏步骤

执行顺序错误

工具调用失败

所以在 Agent 系统中，真正决定智能体上限的往往不是 LLM。

而是：

Planner（规划器）

Planner 的本质，就是把用户目标（Goal）转换成可执行任务（Task）。

很多团队做 Agent Runtime 时最先实现的是：

Memory
Tool Calling

但最后发现：

没有 Planner，Agent 永远只是高级聊天机器人。

一、什么是 Planner

Planner 可以理解成：

Agent 的前额叶

负责：

目标分析

任务拆解

执行顺序规划

依赖关系管理

动态重规划

例如，用户：

帮我规划东京三日游

Planner 不会直接回答，而是生成：

Task1 查询天气

Task2 查询酒店

Task3 查询景点

Task4 规划路线

Task5 生成行程

形成：

Goal

↓

Task Graph

↓

Execution

这也是现代 Agent 框架的核心思想。Planner 的职责是将复杂目标拆解为多个可执行步骤，而不是一次性生成最终答案。

二、为什么 Agent 必须有 Planner

传统 ChatBot：

Question

↓

Answer

而 Agent：

Goal

↓

Plan

↓

Action

↓

Feedback

例如，用户：

帮我订机票

实际上涉及：

查询航班

↓

价格比较

↓

选择航班

↓

填写信息

↓

提交订单

如果没有 Planner：

LLM 直接调用工具

容易导致：

1、工具乱调用

重复查询

重复下单

2、状态错乱

任务执行顺序错误

3、上下文爆炸

Prompt 越来越长

因此：

Planner 本质上是 Agent Runtime 的任务编排中心。

三、Planner 在 Agent Runtime 中的位置

推荐架构：

              User
                ↓
            Intent
                ↓
             Planner
                ↓
          Task Graph
                ↓
           Scheduler
                ↓
            Executor
                ↓
             Tools
                ↓
            Feedback

这里可以形成完整闭环：

Intent
负责理解目标

Planner
负责拆解目标

Scheduler
负责调度任务

Executor
负责执行任务

四、Planner 的核心输入

Planner 不是凭空规划，它需要多个信息源。

用户目标

例如：

帮我学习鸿蒙开发

当前上下文

例如：

用户是新手

每天2小时

目标3个月入门

Memory

历史记录：

已经学习ArkTS

已经学习ArkUI

Tool 能力

Planner 必须知道：

系统有哪些工具

例如：

SearchTool

CalendarTool

CourseTool

最终形成：

Goal
+
Context
+
Memory
+
Tools

生成：

Plan

五、Task DAG 才是真正的 Planner

很多初学者认为规划就是：

Task1

↓

Task2

↓

Task3

实际上企业级 Planner 通常生成：

DAG
(Directed Acyclic Graph)

即：

       TaskA
      ↙     ↘
 TaskB      TaskC
      ↘     ↙
       TaskD

例如，查询天气和查询酒店完全可以并行。最后，生成旅行计划依赖前面结果。

这种结构比简单链路效率高得多。

六、Planner 的三种实现方式

方案一：Rule Planner

规则规划，例如：

if(intent=="travel"){
   return [
      "weather",
      "hotel",
      "transport"
   ]
}

优点：

快

稳定

可控

缺点：

扩展困难

适合：

端侧 Agent

方案二：LLM Planner

直接由模型规划，Prompt：

请把目标拆解为任务列表

输出：

[
  "查询天气",
  "查询酒店",
  "规划路线"
]

优点：

灵活

缺点：

不可预测

方案三：Hybrid Planner

企业最常见，架构：

Rule Engine

+

LLM Planner

流程：

常见任务

↓

规则规划

复杂任务

↓

LLM规划

这样：

成本低

稳定性高

扩展性好

七、鸿蒙 App 中如何落地 Planner

推荐目录：

src
├── planner
│   ├── planner.ts
│   ├── graph.ts
│   ├── executor.ts
│   ├── task.ts
│   └── strategy.ts

Task 定义：

export interface Task {
  id:string
  name:string
  deps:string[]
}

Planner：

class Planner {

 build(goal:string):Task[]{

   return []

 }

}

生成 Task Graph 供 Scheduler 使用。

八、Planner 与 Scheduler 的区别

很多人容易混淆，实际上：

Planner

负责：

想做什么

例如：

学习计划

拆解：

课程分析

↓

计划生成

↓

创建提醒

Scheduler

负责：

什么时候做

例如：

优先级

资源分配

重试机制

关系：

Planner

↓

Task DAG

↓

Scheduler

↓

Execution

类似产品经理 ➡️ 项目经理的关系。

九、为什么 Planner 会成为未来 App 的核心

传统 App：

Page

↓

Button

↓

Function

未来 App：

Goal

↓

Planner

↓

Task

↓

Agent

↓

Tool

入口已经变化。

过去：

用户找功能

未来：

用户描述目标

系统必须具备：

目标理解

任务拆解

动态规划

持续执行

而这些能力的核心就是 Planner。

事实上，无论是学术界的 LLM Planner、HTN Planner，还是端侧 Planner-Action 架构，本质都在解决同一个问题：

如何把自然语言目标转换成结构化执行计划。

十、HarmonyOS AI Native 的 Planner 架构

结合前面几篇 Runtime 系列文章，一个完整的鸿蒙 AI Native 架构可能会变成：

                Goal
                  ↓
               Intent
                  ↓
               Planner
                  ↓
              Task DAG
                  ↓
             Scheduler
                  ↓
          Agent Runtime
                  ↓
        ┌──────────────┐
        ↓              ↓
      Memory         Tools
        ↓              ↓
           State Center
                 ↓
               ArkUI

特点：

Goal Driven

Task Driven

State Driven

Agent Driven

越来越像：

一个小型操作系统

而不是：

传统 App

总结

如果用一句话理解 Planner：

Planner 不是让 Agent 更聪明，而是让 Agent 知道下一步该做什么。

过去：

Question

↓

Answer

未来：

Goal

↓

Planner

↓

Task DAG

↓

Execution

↓

Feedback

从：

ChatBot

逐渐演化成：

Agent Runtime

而在未来的鸿蒙 AI Native 应用里，真正决定 Agent 上限的，可能不是模型参数规模。

而是：

Planner 是否足够优秀。