ReAct 和 Plan and Solve 理解

1、区别的理解

例子：预订一次从北京到上海的商务旅行，包括机票、酒店、租车

它们之间存在依赖：

航班到达机场 ↓ 影响酒店位置 ↓ 影响是否需要租车 ↓ 影响取车地点和时间

还要同时考虑：

• 出发和返程时间；

• 会议时间；

• 总预算；

• 酒店与会议地点距离；

• 机场和酒店交通；

• 租车营业时间；

• 航班延误风险；

• 退改政策。

如果纯粹使用 ReAct，智能体可能一开始就找到一个航班并预订，然后才发现：

• 到达机场离会议地点很远；

• 到达时间太晚；

• 附近酒店价格很高；

• 租车门店已经关门。

这属于局部决策正确，但全局组合不好。

这个时候应该使用 Plan and Solve

理解：

ReAct 有点类似深度优先遍历类型，优先先把一系的事做到底，不考虑与其他事情之间的联系；

而 Plan and Solve 类似宽度优先遍历，横向对比。

真实预订环境会不断变化：

• 航班价格实时变化；

• 座位突然售罄；

• 酒店房型不可用；

• 租车车型变化；

• 支付失败；

• 预订接口返回新限制。

这部分更适合 ReAct：

查询航班 → 观察实时结果 → 调整筛选条件 → 选择候选航班 → 查询酒店 → 观察房态 → 修改方案

整个系统最好采用：

Plan-and-Solve 负责全局编排，ReAct 负责每个步骤的动态执行。

Plan-and-Solve 生成完整旅行规划 ↓ ReAct 执行航班查询 ↓ ReAct 执行酒店查询 ↓ ReAct 执行租车查询 ↓ 全局检查 ↓ 必要时重新规划