Agentic Patterns: Plan-Execute-Verify
Erstellen Sie zuerst einen Plan, führen Sie ihn dann Schritt für Schritt aus und prüfen Sie anschließend anhand der Abnahmekriterien — das ist besser als ein einziger Durchlauf.
Agentic Patterns: Plan-Execute-Verify ist eine kostenlose AI Agents-Lektion auf CoddyKit. Dies ist Lektion 1 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des AI Agents-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der AI Agents-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
Warum zuerst planen?
Codegenerierung in einem Durchlauf funktioniert für winzige Aufgaben („Schreiben Sie ein FizzBuzz“). Für echte Softwareänderungen sollte der Agent:
- Planen – die Aufgabe in Schritte zerlegen
- Ausführen – jeden Schritt implementieren
- Überprüfen – testen, linten und ausführen
- Iterieren – Fehler beheben, bis alles überprüft ist
Schritt 1: Planen
Bitten Sie das Modell, einen strukturierten Plan zu erstellen:
PLAN_PROMPT = '''
You are a senior engineer. Given this task, produce a JSON plan:
{steps: [{description, files_to_touch: [str], test_commands: [str]}], risks: [str]}
Task: {user_task}
'''Plan Schema
from pydantic import BaseModel
class Step(BaseModel):
description: str
files_to_touch: list[str]
test_commands: list[str]
class Plan(BaseModel):
steps: list[Step]
risks: list[str]Schritt 2: Ausführen
Führen Sie jeden Schritt der Reihe nach aus. Stellen Sie dem Modell den Dateiinhalt als Kontext bereit:
for step in plan.steps:
context = {f: read_file(f) for f in step.files_to_touch}
diff = llm.invoke(f'Implement: {step.description}\nFiles:\n{context}').content
apply_diff(diff)Schritt 3: Überprüfen
Führen Sie für jeden Schritt Tests, Linting und den Build aus:
for cmd in step.test_commands:
result = sandbox.run(cmd)
if result.exit_code != 0:
# Verification failed; iterate
loop_until_verified(step, result.stderr)Step 4: Iterate Until Pass
MAX_ITERS = 5
for iter in range(MAX_ITERS):
result = sandbox.run(test_cmd)
if result.exit_code == 0:
break
fix = llm.invoke(f'Tests failed:\n{result.stderr}\nFix the code.').content
apply_diff(fix)Deltas statt vollständiger Dateien anzeigen
Bei inkrementellen Änderungen sollte das Modell UNIFIED DIFFS erzeugen:
diff = '''
--- a/main.py
+++ b/main.py
@@ -10,3 +10,4 @@
def add(a, b):
return a + b
+
+def sub(a, b): return a - b
'''
import patch
patch.fromstring(diff).apply()Die Planqualität ist entscheidend
Ein schlechter Plan führt unweigerlich zu einer schlechten Ausführung. Verwenden Sie ein leistungsfähigeres Modell für die Planung (GPT-4o, Claude Sonnet 4.5) und ein günstigeres für die Ausführung (gpt-4o-mini, haiku), wenn das Budget knapp ist.
Bei Problemen neu planen
Wenn die Überprüfung wiederholt fehlschlägt, verwerfen Sie den aktuellen Plan und bitten Sie das LLM, anhand der neuen Informationen NEU ZU PLANEN:
if iter == MAX_ITERS - 1:
new_plan = llm.invoke(f'Original plan failed. Errors: {errors}. Make a new plan.').contentKompromiss bei der Planung über lange Horizonte
Je länger der Planungshorizont, desto schlechter planen die Modelle. Erzeugen Sie für Aufgaben mit mehr als 10 Schritten einen groben Plan und verfeinern Sie ihn bei jedem Schritt.
Plan + Kritiker
Lassen Sie einen „Kritiker“-Agenten den Plan vor der Ausführung überprüfen. So werden offensichtliche Fehler früh erkannt – das ist günstiger, als sie während der Ausführung zu beheben.
Den Plan dem Benutzer zeigen
Zeigen Sie dem Benutzer den Plan vor der Ausführung. Lassen Sie ihn Änderungen vornehmen:
approved_plan = await ask_user_to_approve_or_edit(plan)
execute(approved_plan)Planen–Ausführen–Überprüfen
Warum ist dieses Muster zuverlässiger als die Codegenerierung in einem Durchlauf?
Zusammenfassung
Planen, ausführen, überprüfen, iterieren. Verwenden Sie einen leistungsfähigen Planer und einen günstigen Executor und führen Sie echte Tests aus. Zeigen Sie Benutzern bei wichtigen Aufgaben die Pläne.
Häufig gestellte Fragen
Ist die Lektion „Agentic Patterns: Plan-Execute-Verify“ kostenlos?
Ja — der vollständige Text von „Agentic Patterns: Plan-Execute-Verify“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des AI Agents-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der AI Agents-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Agentic Patterns: Plan-Execute-Verify“?
Erstellen Sie zuerst einen Plan, führen Sie ihn dann Schritt für Schritt aus und prüfen Sie anschließend anhand der Abnahmekriterien — das ist besser als ein einziger Durchlauf. Du übst AI Agents mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um AI Agents zu starten?
Keine Vorkenntnisse erforderlich. AI Agents auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 1 von 4.
Wie lange dauert die Lektion „Agentic Patterns: Plan-Execute-Verify“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser AI Agents-Lektion Code schreiben und ausführen?
Ja. Jede AI Agents-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Agentic Patterns: Plan-Execute-Verify
- Tool-Schnittstellen fürs Programmieren (Read, Edit, Bash)
- Iterative Selbstkorrekturschleifen
- Architekturen von SWE-Agent und OpenDevin