在AI Agent（智能体）爆发的2026年，AI调解助手已成为开发者必备的核心知识点——无论是构建智能客服、纠纷调解系统，还是理解大模型Agent的设计哲学，都绕不开这个高频考点。很多学习者只会调用LangChain，却说不清Plan-and-Solve到底怎么规划；知道Manus很火，却讲不透它为什么能“开电脑帮你干活” ；一到面试，Plan、Executor、PEV架构傻傻分不清。
本文从最基础的Plan-and-Solve范式讲起，拆解Manus PEV三层架构的设计精髓，给出可运行的代码示例，并梳理高频面试题。带你从“会用”到“懂原理”，建立完整的Agent知识链路。
一、为什么需要Plan-and-Solve？
传统大模型（LLM）是一个“博学的智者”，擅长理解语言、进行推理和生成内容，但常停留在给建议、给答案的层面-45。AI助手更像一个交互入口，本质上依然是“人问、AI答”的被动交互模式-45。
传统方法的最大痛点： 当一个任务需要多步操作时，大模型往往“走一步看一步”——比如让AI写一个贪吃蛇游戏，它可能先写了个canvas画布，写到一半发现架构错了，代码混乱不堪-27。
代码示意——传统的“一次性”调用：
传统方式：一次prompt让AI输出最终结果 response = llm.chat("帮我写一个贪吃蛇游戏的全部代码") 输出：AI直接生成代码，但逻辑混乱、结构缺失
这种方式的缺点：
❌ 缺乏全局规划：AI不知道任务有多少步骤、什么顺序
❌ 不可控：无法干预中间环节，错了只能重来
❌ 长任务易“跑偏” ：执行到后面忘了最初的目标
于是，Plan-and-Solve 范式应运而生——先规划，后执行。
二、Plan-and-Solve：先谋后动的“建筑师”
2.1 什么是Plan-and-Solve？
Plan-and-Solve（简称PS）是一种Agent设计范式，由 “规划层（Planner）” 和 “执行层（Executor）” 组成-22。核心口诀：先规划，后执行。
规划层：拿到任务后先拆解成步骤清单（步骤1、步骤2、步骤3……）
执行层：拿着清单，按顺序一步步执行
生活化类比：你要装修一套房子。Plan-and-Solve的方式是先找设计师出完整的施工图（Plan），再让施工队按图纸执行（Solve）；而传统方式就像边砌墙边想结构，很容易返工。
2.2 Plan-and-Solve vs ReAct
| 维度 | ReAct | Plan-and-Solve |
|---|---|---|
| 机制 | 思考→行动→观察，循环进行 | 先规划清单，再依次执行 |
| 类比 | 侦探（边查边想） | 建筑师（先出图纸再施工） |
| 优点 | 灵活，能应对未知情况 | 有大局观，不会跑偏 |
| 缺点 | 容易陷入死循环或偏离目标 | 计划一旦出错，后续全错 |
| 适用场景 | 、未知环境交互 | 复杂数学、流程化任务、代码生成 |
一句话总结：ReAct解决“不知道怎么做”的问题（通过探索），Plan-and-Solve解决“步骤太复杂”的问题（通过拆解） -22。
三、Plan-and-Solve的实现：从Planner到Executor
3.1 架构图
┌─────────────────────────────────────────────────────────┐ │ 用户输入 │ │ "帮我写一个贪吃蛇游戏" │ └─────────────────────────┬───────────────────────────────┘ ▼ ┌─────────────────────────────────────────────────────────┐ │ 规划层（Planner）—— 任务拆解 │ │ Step 1: 创建index.html，包含Canvas画布 │ │ Step 2: 创建game.js，实现蛇的移动逻辑 │ │ Step 3: 实现食物生成逻辑 │ │ Step 4: 实现碰撞检测与计分 │ └─────────────────────────┬───────────────────────────────┘ ▼ ┌─────────────────────────────────────────────────────────┐ │ 执行层（Executor）—— 按步骤依次执行 │ │ 执行 Step 1 → 完成 │ │ 执行 Step 2 → 完成 │ │ ... │ └─────────────────────────────────────────────────────────┘ ▼ ┌─────────────────────────────────────────────────────────┐ │ 最终输出 │ │ 完整可运行的贪吃蛇游戏代码 │ └─────────────────────────────────────────────────────────┘
3.2 代码示例（使用agent-patterns库）
agent-patterns是一个Python库，封装了PlanAndSolveAgent等常用Agent模式-21。
安装：pip install agent-patterns from agent_patterns.patterns import PlanAndSolveAgent import os from dotenv import load_dotenv load_dotenv() 配置LLM（可用OpenAI、Anthropic等） llm_configs = { "planning": { "provider": "openai", "model_name": "gpt-4-turbo", "temperature": 0.7 }, "execution": { "provider": "openai", "model_name": "gpt-4-turbo", "temperature": 0.7 } } 创建Plan & Solve Agent agent = PlanAndSolveAgent( llm_configs=llm_configs, 可选：定义工具（如、计算器等） tools={} ) 执行任务 result = agent.run("帮我写一个贪吃蛇游戏的HTML+JS代码") print(result)
3.3 执行流程详解
规划阶段：LLM（Planner）接收用户请求，输出步骤清单，不执行任何操作
执行阶段：Executor遍历步骤清单，按顺序执行每个步骤，将上一步输出传递给下一步
返回结果：所有步骤执行完毕，汇总输出
关键注解：Planner和Executor共用同一个LLM，但使用不同的Prompt模板来控制行为——一个负责“拆解”，一个负责“执行”。
四、进阶：Manus的PEV三层架构
理解了Plan-and-Solve，就理解了Manus架构的基础。Manus在Plan-and-Solve的基础上，构建了更完善的 PEV（规划-执行-验证） 三层架构。
4.1 什么是Manus？
Manus AI是2025年初发布的通用AI智能体，被Meta收购后成为业界标杆-11。它的设计目标是连接“大脑”与“手”——不仅像LLM一样思考和规划，还能端到端执行复杂任务-11。
4.2 PEV三层架构详解
Manus采用 PEV（Plan-Execute-Verify，规划-执行-验证） 三层架构，通过上下文工程实现Agent能力-14。
| 层级 | 功能 | 关键指标 |
|---|---|---|
| 规划层 | 强化学习任务拆解算法，将用户需求分解为可执行步骤 | 准确率92.7% |
| 执行层 | 每个会话分配一个独立云端虚拟机沙盒，内置300+工具 | 4核CPU/4GB内存 |
| 验证层 | 对执行结果进行逻辑矛盾检测和交叉校验 | 金融数据偏差检测精度99.3% |
4.3 与Plan-and-Solve的关系
Plan-and-Solve = Planner + Executor Manus PEV = Planner + Executor + Verifier ↑ 多了验证闭环
Manus在Executor之后增加了验证层，形成“执行→验证→反馈修正”的闭环，大幅提升了任务的可靠性。这就像在Plan-and-Solve中引入了一位“质检员”，确保每个步骤的结果符合预期后才继续。
4.4 关键优化技术
KV-Cache复用：成本降低10倍
文件系统作为上下文：突破上下文窗口限制
待办清单注意力操控：让Agent聚焦核心任务
保留错误内容供学习：从失败中迭代优化-14
五、AI调解助手的真实案例：从理论到落地
理论再好，不如看看真实案例。2026年，AI调解助手已在多个场景中落地：
1. 临夏州“调解通” ：以DeepSeek、通义千问为引擎，构建了从纠纷登记到结果归档的全流程闭环，导入310部法律法规、2170个民事裁判案例和848个优秀调解案例-3。
2. 焦作“小北” ：零成本投入、轻量化落地，具备调解思路智能预判、调解方案自动生成、调解文书一键生成三大核心功能-5。
3. 南宁劳动争议AI调解平台：2025年底协助某企业80名生产线工人追讨被拖欠的182万元工资-。
4. CONCORDIA（国际案例） ：实时AI调解平台，基于TACITUS冲突本体论构建冲突图谱，支持实时语音分析与调解建议生成-6。
人机协同模式：当前主流实践是“AI辅助+人类主导”——智能体承担80%的基础分类、策略推荐、报告生成等工作，调解员聚焦情感沟通与复杂决策-1。
六、底层原理：Agent的三个基本层级
要真正理解AI调解助手，需要厘清三个基本层级的概念-45：
| 层级 | 定义 | 特征 |
|---|---|---|
| LLM（大语言模型） | 超级语言引擎，给定输入输出文本 | 被动响应、无记忆、不行动 |
| AI助手 | 大模型+交互界面+记忆管理 | 多轮对话，但仍是被动“人问AI答” |
| 智能体（Agent） | 能自主感知、规划、调用工具、执行行动 | 四大特征：自主目标分解、工具调用、闭环行动、持久记忆 |
Agent底层依赖的核心技术：
大语言模型：提供推理与生成能力
函数调用/工具使用：让AI能操作外部系统（浏览器、文件系统、API等）-37
RAG（检索增强生成） ：为Agent提供长期记忆和知识库-51
Prompt/Context工程：控制Agent的行为边界和思考方式-
七、高频面试题与参考答案
Q1：请解释Plan-and-Solve与ReAct的区别，以及各自适用场景。
参考答案：
机制差异：ReAct是“思考→行动→观察”循环，每步都依赖观察结果；Plan-and-Solve分两阶段，先规划步骤清单，再按清单执行。
适用场景：ReAct适合探索性任务（、查询未知信息），Plan-and-Solve适合步骤清晰的复杂任务（代码生成、数学推理）。
一句话记忆：ReAct是“边查边想的侦探”，Plan-and-Solve是“先出图纸再施工的建筑师”-22。
Q2：Manus PEV三层架构的核心设计思想是什么？
参考答案：
P（规划层） ：任务拆解，将用户需求分解为可执行步骤（准确率92.7%）
E（执行层） ：分配独立云端沙盒，内置300+工具（浏览器、文件系统、包管理器等）
V（验证层） ：逻辑检测与交叉校验，形成执行→验证→修正的闭环
核心思想：不改造模型本身，通过上下文工程实现Agent能力，模型是“潮水”，Manus是“船”-14
Q3：LLM、AI助手、AI智能体（Agent）三者是什么关系？
参考答案：
LLM是能力底座（“大脑”）
AI助手是交互入口（“会说话的大脑”）
AI智能体是能力转化为生产力的执行形态（“会行动、会协作、会学习的数字员工”）-45
Q4：Plan-and-Solve的缺点是什么？如何改进？
参考答案：
缺点：一旦计划出错，后续全错；执行过程中无法灵活调整。
改进方案：引入验证层（如Manus的PEV），在每个步骤执行后校验结果；或结合Reflection范式，在执行中加入自我纠错机制-22。
八、结尾总结
回顾全文，三个核心知识点需要你记住：
Plan-and-Solve是Agent的基础设计范式——先规划清单，再依次执行，解决“步骤太复杂”的问题。
Manus PEV是在Plan-and-Solve基础上的增强——增加了验证层，形成“规划-执行-验证”闭环。
AI调解助手是Agent在实际场景中的典型应用，底层依赖LLM推理、工具调用和RAG记忆，当前主流是“AI辅助+人类主导”的协同模式。
易错点提醒：不要把Plan-and-Solve和ReAct搞混——前者强调“先谋后动”的整体规划，后者强调“边走边看”的循环探索。面试时能说清这一点，就赢了一半。
下篇预告：Reflection范式——如何让Agent具备“自我纠错”能力？敬请期待！
参考文献
捷通华声. 社区矛盾纠纷调解智能体平台：数智赋能基层治理，矛盾化解于萌芽. 2026-01-06.
临夏州综治中心. 为纠纷调解装上“最强大脑”——临夏州综治中心“调解通”智能体重塑基层调解新范式. 2026-03-15.
解放区人民政府. AI赋能基层治理！焦北街道专属矛盾调解智能体“小北”正式上线运行. 2026-03-18.
CONCORDIA by TACITUS. Real-Time AI Mediation Platform. 2026.
Shen, M., et al. From Mind to Machine: The Rise of Manus AI as a Fully Autonomous Digital Agent. arXiv:2505.02024, 2026.
智能体的三条技术路线：Claude Opus 4.6、Manus 与 OpenClaw 深度对比. CSDN, 2026-04-09.
曹涛. 智能体：把能力转化为生产力. 《环球》杂志, 2026-04-02.
智能体来了：从0到1全实战. 阿里云开发者社区, 2026-02-02.
26｜Agent 设计模式：ReAct、Plan-and-Solve 与反射. CSDN, 2026-04-09.
agent-patterns. PyPI, 2026.