AI Agents · Lekcja

Wzorce agentowe: planowanie–wykonanie–weryfikacja

Najpierw utwórz plan, następnie wykonuj go krok po kroku, a na końcu zweryfikuj wynik względem kryteriów akceptacji — to lepsze niż pojedyncza próba.

Wzorce agentowe: planowanie–wykonanie–weryfikacja to bezpłatna lekcja AI Agents na CoddyKit. To lekcja 1 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej AI Agents, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs AI Agents zawiera 4 lekcji w sumie.

Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.

Dlaczego najpierw planować?

Jednorazowe generowanie kodu sprawdza się w przypadku małych zadań („napisz fizzbuzz”). W przypadku rzeczywistych zmian w oprogramowaniu agent powinien:

Planować — rozłożyć zadanie na kroki
Wykonywać — implementować każdy krok
Weryfikować — testować, uruchamiać lint i program
Iterować — poprawiać działanie aż do uzyskania pozytywnej weryfikacji

Krok 1: Planuj

Należy poprosić model o przygotowanie ustrukturyzowanego planu:

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]

Krok 2: Wykonuj

Każdy krok należy wykonywać po kolei. Modelowi należy przekazać zawartość plików jako kontekst:

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)

Krok 3: Weryfikuj

Dla każdego kroku należy uruchamiać testy / lint / build:

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)

Pokazuj różnice, nie całe pliki

W przypadku przyrostowych zmian model powinien generować UJEDNOLICONE RÓŻNICE:

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()

Jakość planu ma znaczenie

Zły plan skazuje wykonanie na niepowodzenie. Do planowania należy używać silniejszego modelu (GPT-4o, Claude Sonnet 4.5), a do wykonania tańszego (gpt-4o-mini, haiku), jeśli budżet jest ograniczony.

Planuj ponownie po napotkaniu problemu

Jeśli weryfikacja wielokrotnie kończy się niepowodzeniem, należy porzucić bieżący plan i poprosić LLM o PONOWNE ZAPLANOWANIE z uwzględnieniem nowych informacji:

if iter == MAX_ITERS - 1:
    new_plan = llm.invoke(f'Original plan failed. Errors: {errors}. Make a new plan.').content

Kompromis związany z planowaniem długoterminowym

Im dłuższy horyzont, tym gorsze są plany modelu. W przypadku zadań obejmujących ponad 10 kroków należy wygenerować ogólny plan i uszczegóławiać go na każdym kroku.

Plan + krytyk

Przed wykonaniem należy zlecić agentowi „krytykowi” sprawdzenie planu. Pozwala to wcześnie wykryć oczywiste błędy — jest to tańsze niż ich naprawianie podczas wykonywania.

Pokazuj plan użytkownikowi

Przed wykonaniem należy pokazać plan użytkownikowi. Użytkownik powinien móc go edytować:

approved_plan = await ask_user_to_approve_or_edit(plan)
execute(approved_plan)

Planuj — wykonuj — weryfikuj

Dlaczego ten wzorzec jest bardziej niezawodny niż jednorazowe generowanie kodu?

Podsumowanie

Planuj, wykonuj, weryfikuj, iteruj. Należy używać silnego modelu do planowania i tańszego wykonawcy oraz uruchamiać rzeczywiste testy. W przypadku zadań wysokiego ryzyka należy pokazywać plany użytkownikom.

Często zadawane pytania

Czy lekcja „Wzorce agentowe: planowanie–wykonanie–weryfikacja” jest bezpłatna?

Tak — pełny tekst „Wzorce agentowe: planowanie–wykonanie–weryfikacja” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu AI Agents, przejdź na CoddyKit PRO. Kurs AI Agents zawiera 4 lekcji w sumie.

Co nauczysz się w „Wzorce agentowe: planowanie–wykonanie–weryfikacja”?

Najpierw utwórz plan, następnie wykonuj go krok po kroku, a na końcu zweryfikuj wynik względem kryteriów akceptacji — to lepsze niż pojedyncza próba. Ćwiczysz AI Agents z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć AI Agents?

Nie wymagamy żadnego doświadczenia. AI Agents w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 1 z 4.

Ile czasu zajmuje lekcja „Wzorce agentowe: planowanie–wykonanie–weryfikacja”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji AI Agents?

Tak. Każda lekcja AI Agents zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

Wzorce agentowe: planowanie–wykonanie–weryfikacja
Interfejs narzędzi agenta kodującego (Read, Edit, Bash)
Iteracyjne pętle samokorekty
Architektury SWE-Agent i OpenDevin

← Powrót do AI Agents