在o1将多步推理能力内化到模型之前，Agent规划的实现，依赖开发者在外部搭建的工作流。根据工作流的构建方式，可以分为“硬”和“软”两种。
[1] 硬工作流: 系统流程
类似扣子、dify等低代码平台，由开发者根据预设任务逻辑，搭建一个包含分支、判断条件的固定流程图。模型是被动的执行器，完全遵从预设好的硬编码流程，在指定节点执行某个具体任务。
[2] 软工作流：模型提示词
开发者通过设计提示词或最佳实践提供一个指导框架，引导模型在执行时自主判断。此时模型是半自主的：初始规划由提示词提供，但具体执行时，模型能根据上下文决定是遵循还是自由发挥。
推理模型出现后，规划从基于外部工作流转向基于模型原生。模型是全自主的：同时是规划的起点和执行的终点。
[3] 生成式原生规划
这是当前Manus、扣子空间等通用Agent产品采用的主流方式。当接收到一个高层指令后，模型会利用推理能力进行任务分解，生成一个结构化的行动计划，然后根据计划，结合观测到的局部上下文，分步执行。
[4] 端到端原生规划
OpenAI的Deep Research代表了一种新的规划方式：面向任务目标对模型的规划和工作调用行为进行端到端优化。这种模型的规划是隐性的、直觉式的，它在规划和执行时，由于面向任务目标进行了训练，是基于全局上下文的，就像能“看”到未来。
下面用一组类比，来理解这四种规划方式。
系统流程：有点像潘金莲喂药的固定脚本，作为执行环节的模型就像被喂药的武大郎，别无选择，只能完全遵从。
模型提示词：西游记最后一难过通天河时，观音给老鼋的”指令”。但是否遵从指令，要结合执行时的具体上下文由老鼋自己决定。
生成式原生规划：例子是三国演义中的周瑜。周瑜有强大的推理能力，可以自主规划。但其规划还局限于已观测的信息，因此有时成功（如赤壁之战的苦肉计），有时失败（入赔了夫人又折兵），结果并不可控。
端到端原生规划：结合诸葛亮的“隆中对“来理解。诸葛亮在出山之前，已经为刘备推演了天下未来数十年的走向。因此在执行时，能结合推演和终局做出最优的规划和决策。
当然，在实际应用中，不同的规划方式适用于不同场景。比如系统流程由于确定性的特点，适合流程固化、容错率低的任务；而端到端原生由于可以支撑较长规划链条的逻辑一致性，因而适合更复杂、专业的任务。
总体来说，模型原生规划更能发挥大模型的能力，特别是端到端原生规划的理论上限是最高的。但由于训练数据获取、环境奖励设计等原因，目前的端到端原生规划还很难达到理想效果。比如基于RL训练的端到端的Kimi Researcher，很多时候生成的报告质量并不如基于多agent搭建的工作流。
嵌套：由工作流或模型原生规划出顶层框架，再根据不同节点任务特点，选择最合适的规划方式来分工实现。 反馈：由于模型基于概率的输出具有不确定性，可以通过确定性的工作流来校验和修正模型原生规划和执行的结果。 分级：构建按能力和效率分层的处理流水线。简单的、确定性的任务由工作流快速处理；当任务复杂度超出当前层级的能力时，交由更强大的模型原生规划来处理。
