对于复杂的工作流程而言，agent系统往往需要一些设计模式，Planning 是其中很重要的一种。Planning 由规划agent高度自主的决定执行复杂任务所需的各种工具调用、任务执行，无需提前进行硬编码。这个点比较典型的例子是Claude Code 的plan模式，在具体任务执行前会先进行计划，当同意该计划后才开始执行，对于该计划可以进行必要的调整。
对于Planning模式下，各个agent之间的交互，需要进行规范化的输出，一般来说，有3种格式比较常用到：Json、xml 和代码。结构化输出的重要性在近期有所凸显，各个LLM纷纷将结构化输出作为api调用输出的默认支持选项。以Json格式约定LLM的规划输出时，通常来说，LLM 会返回一个 JSON 列表，列表中的每个对象代表一个步骤，包含清晰的键值：description (步骤描述)、tool (要调用的工具名称)、arguments (传递给工具的参数)。
xml 与json所起到的作用类似。但就LLM来说，code 是其更能发挥潜力的地方。Planning with code execution 往往效果更好。有多篇论文的研究结果表明：让LLM直接编写代码的任务评估分数通常明显大于编写JSON而后解析。
但是需要注意，在处理这种CodeAgent时，提示词需要进行明确的要求：以python代码返回结果，以<code>标签进行分隔，考虑沙箱执行环境等安全因素。
单个agent属于单兵作战，多个agent 数据集团作战，能更大程度的发挥LLM的能力。将复杂任务分解成多个独立的角色或进程是一种更有效的开发方法，这是多agent充分发挥的战场。在这里，任务拆分的颗粒度和耦合度是考验功力的地方，高水平的拆分能更好的发挥LLM的能力，避免其短板。在拆分时需要充分考虑单个agent的专注度、各个节点间的复用和模块化。
多个agent之间的处理模式，有线性、双层、多层和去中心 4种。基本的工作流，线性就能够满足需要。对于涉及到Planning的地方，双层、去中心 往往会涉及到。多层因为其较高的复杂度，效果不一定好，目前在实践中用到的并不到。
不同的agent框架，主要使用的模式也不尽相同。longchain 主要使用线性，smolagents更青睐于双层/多层结构，而metagpt、camelai则致力于做去中心结构。
