虽然定义良好的工作流为Agent协作提供了一个支撑，但问题固有的动态性常需要更灵活的方式。静态计划，无论多么精心制定，在面对外部系统、演变的信息或单个Agent性能的不可预测性时都可能变得脆弱。自适应任务规划与调整使多Agent系统能够智能地修改其行动方案。构建具有自适应任务规划的系统，需要采用一些方法，使它们不仅执行预定序列，还能在情况变化时动态调整方向以达成目标。
根本上，自适应任务规划涉及执行、监控、评估以及必要时的再规划的持续循环。这不仅仅是错误恢复；它旨在优化性能、抓住新出现的机遇，并在波动条件下保持运行效率。
动态性来源：计划调整的原因
一个多Agent系统的计划可能因多种原因需要调整。及时识别这些原因是有效适应的第一步：
- 环境波动：外部条件很少静态。这包括数据流（例如，股票价格、新闻文章）、外部API和工具的可用性或速率限制，或Agent所依赖的共享知识库的修改。
- Agent性能偏差：Agent可能未能完成分配的子任务，产生的输出不符合质量阈值，或花费的时间远超预期。反之，Agent可能以远超预期速度或质量完成任务，为计划优化提供机会。
- 新信息发现：在运行期间，Agent可能会发现使支撑当前计划的假设失效的信息，或发现实现目标的更有效途径。例如，一个研究Agent可能找到一个数据集，使得原定的复杂分析任务变得不必要。
- 目标演变：多Agent系统的总体目标可能在执行过程中发生变化。这些变化可由人工操作员、外部系统，甚至负责策略性监督的内部“元Agent”发起。
- 资源变动：与计算能力、LLM调用预算或可用时间相关的限制可能变化。例如，LLM token预算的突然减少可能需要转变为资源消耗较少的策略或Agent。
- Agent间依赖：一个Agent任务的失败或延迟可能对其输出所依赖的其他Agent产生连锁效应，需要重新编排计划以管理这些依赖。
自适应规划的核心策略
有效响应这些原因需要感知、决策和行动的机制。
感知和理解变化
适应始于察觉。系统必须包含：
- 持续监控：主动跟踪Agent进度、资源消耗和相关外部系统的状态。这通常涉及结构化日志和实时指标收集。
- 共享上下文 (context)理解：Agent，或至少是编排器，需要访问问题状态的更新视图。这可能是一个正式的“模型”或一个松散耦合的共享信息空间。当Agent报告异常或新发现时，此上下文必须更新以指导任何再规划。
提升计划灵活性的表示方式
计划的表示方式显著影响其适应的便捷程度。
- 模块化任务定义：由明确定义、模块化任务（或子目标）组成的计划更易于修改。任务可以被重新分配、参数 (parameter)更改，或替换为替代方案。
- 基于图的计划：将计划表示为有向无环图（DAG），其中节点是任务，边代表依赖关系，相比僵硬的线性序列，这允许更灵活的任务重新排序和插入/删除。
- 状态依赖型计划：明确包含基于预期状态或结果的条件分支（例如，“如果API X不可用，则使用API Y”）的计划提供一定程度的预定义适应性。
再规划机制
当某个原因表明当前计划次优或无法实现时，系统必须启动再规划机制。存在几种方法：
-
基于应急的再规划：
这涉及针对常见、可预见的问题制定预定义的替代计划或子计划。例如，如果主要数据提取Agent失败，应急计划可能激活一个使用不同方法或数据源的备用Agent。这对于已知故障模式高效，但对全新情况缺乏灵活性。
-
启发式调整：
系统使用一套规则或启发式方法来修改计划。例如：
- 如果Agent的输出质量低，则使用更详细的提示重新分配任务，或分配给更专业的Agent。
- 如果任务花费时间过长，尝试将其分解为更小的子任务。
- 如果某个工具反复失败，暂时将其列入黑名单并尝试替代方案。
这些启发式方法通常是领域特定的，并可随时间推移完善。
-
LLM驱动的动态再规划：
这在多Agent LLM系统中是一种尤为有效的方法。一个专门的规划Agent，或编排器本身（如果基于LLM），可以负责重新评估情况并生成新计划或计划片段。
- 输入：当前状态、原始目标、有关原因的信息（例如，失败报告、新数据）和可用的Agent能力。
- 过程：LLM分析情况。它可能会被提示分析失败、考虑替代方案、权衡取舍，并提出修改后的行动序列。例如，如果一个
code_writing_agent未能为特定库版本生成可工作的代码，LLM规划器可能会建议尝试旧版本库、搜索替代库，或进一步分解编码任务。
- 输出：一个修改后的计划，可能涉及新任务、重新排序的任务或不同的Agent分配。
此方法利用LLM的通用问题解决和推理 (inference)能力来处理更广泛的意外情况。
-
基于修复的再规划与生成式再规划对比：
- 基于修复的：尝试对现有计划进行最小更改以解决问题。这通常更快，但可能导致局部最优但全局次优的解决方案。
- 生成式：从头开始创建新计划（或其很大一部分），考虑到当前状态和目标。这可以找到更创新的解决方案，但通常计算量更大。LLM在这两种模式下都有效。
自适应系统的架构模式
实施自适应规划需要仔细的架构考虑：
- 编排器的作用：中心编排器（如“状态驱动和基于图的编排模型”一节所述）通常负责检测适应原因（例如，通过监控Agent心跳或任务完成信号）并调用再规划机制。
- 专用规划Agent：对于更复杂的系统，可以引入一个专门的“规划Agent”。该Agent的唯一职责是维护、评估和调整总体计划。它从其他Agent和编排器接收更新，并发布修订计划。
- 反馈回路：清晰高效的反馈回路非常重要。Agent必须向负责计划管理的组件报告其状态、成功、失败和任何重要观察。
- 模块化和标准化接口：如果Agent及其工具具有用于任务调用和结果报告的标准化接口，则再规划机制替换一个Agent或工具会变得容易得多。
以下图表说明了一个包含自适应任务规划的系统的通用控制流程。
自适应任务规划系统的控制流程，突出显示由评估触发的再规划循环。
示例场景：自适应研究Agent团队
考虑一个Agent团队，其任务是生成一份市场分析报告：一个LeadResearcherAgent（查询数据库、API），一个InsightGeneratorAgent（分析数据以发现趋势），以及一个ReportWriterAgent。
- 初始计划：
LeadResearcherAgent查询数据库A，然后查询API B。InsightGeneratorAgent处理合并数据。ReportWriterAgent起草报告。
- 原因1（工具故障）：API B变得无响应。
LeadResearcherAgent报告此故障。
- 适应1：编排器（或规划器LLM）识别出一个替代方案——API C，它提供类似数据但格式不同。它修改了计划：
LeadResearcherAgent现在查询数据库A，然后查询API C。插入了一个新小任务：一个DataFormatterAgent（或LeadResearcherAgent的函数调用）将API C的输出转换为InsightGeneratorAgent期望的格式。
- 原因2（意外发现）：在查询数据库A时，
LeadResearcherAgent（被提示寻找异常）发现了一个新的、高度相关的数据集D，这不属于原始计划。它将其标记 (token)为高潜力发现。
- 适应2：编排器/规划器评估这一点。考虑到潜在影响，它决定纳入数据集D。计划被调整：
LeadResearcherAgent也将查询和处理数据集D。InsightGeneratorAgent的任务更新以包含对新数据的分析，可能延长其时间线或资源分配。ReportWriterAgent的指令更新以确保这一新见解得到突出呈现。
此场景显示了因负面（工具故障）和正面（意外发现）原因而进行的适应，带来了更具韧性和有效的结果。
设计考量与挑战
实施自适应任务规划并非没有困难：
- 复杂性管理：可能计划和适应的状态空间会变得非常大。设计不导致混乱或次优行为的逻辑是一个重要的工程挑战。
- 振荡风险：如果适应规则过于敏感或定义不佳，系统可能会持续在计划间切换而没有取得有效进展，这种现象被称为“抖动”。阻尼机制或再规划的成本效益分析可以减轻这一点。
- 再规划成本：再规划，特别是如果涉及用于生成式再规划的LLM调用，会消耗计算资源和时间。更好计划的潜在收益与寻找它所产生的成本之间存在权衡。
- 保持一致性：适应必须确保总体计划保持一致并与最终目标对齐 (alignment)。局部修复不应无意中破坏下游依赖或违背计划的另一部分。
- 可验证性和可调试性：理解系统为何以特定方式适应可能具有挑战性。对原因、再规划器内的决策过程以及计划版本进行全面记录对于调试和分析很重要。
- 可预测性与灵活性：高度自适应的系统可能可预测性较低。对于某些应用，一定程度的可预测性非常重要，需要平衡完全自适应与更受约束、基于规则的调整。
自适应循环中的人工增强
虽然目标通常是自动化适应，但人工监督仍然有价值，特别是对于：
- 高风险决策：当适应可能具有重大成本、安全或道德影响时。
- 新颖或模糊情况：当系统遇到远超其训练或启发式规则集的情况时，人工判断可能更优。
- 策略目标细化：人工可以验证或重新引导意味着策略转变的适应。
系统可以设计为标记 (token)某些适应决策供人工审查。然后，人工可以批准、拒绝或修改提议的计划更改，甚至提供全新指令，从而形成协作式人机AI规划循环。这与本章后面讨论的“Agent操作中纳入人工监督”一节相符。
自适应任务规划与调整将多Agent系统从僵硬的执行者转变为更具动态性、韧性和智能的协作者。尽管引入了复杂性，但有效响应不可预见情况的能力是高级AI系统的标志。随着我们转向学习和演进的Agent（第五章的主题），自适应规划奠定的根基将变得更为重要。
