DAG智能体动态规划解析：为何边做边长更有效

一、概念定义：什么是DAG智能体的动态规划

DAG智能体的动态规划，是指一类以有向无环图（DAG）作为计划载体、以“边执行边重构计划”为核心机制的智能体编排范式。业内也常将其称为增量式规划，或形象地叫作“边做边长”：任务图不是在开工前一次性画完，而是随着执行的深入逐步生长出来的。

可以从三个视角理解这个概念：

技术视角：整个任务被建模为一张有向无环图。图中每个节点代表一个子任务——可能是一次检索、一段文档阅读，或一次推理判断；边表示子任务之间的依赖关系。与静态规划的关键区别在于，这张图并非执行前定稿，而是由规划器先给出一个最小可执行的初始骨架，再根据每个节点的真实执行结果，对图做插入、替换、剪枝、扩展等局部变换，让计划与系统的理解同步演进。

业务视角：它解决的是“计划赶不上变化”的问题。在深度研究、多源交叉验证这类开放性任务中，中间搜索结果经常推翻最初假设。动态规划让系统能在发现冲突的第一时间调整方向，避免在已被证伪的分支上继续投入算力。

使用视角：对开发者而言，采用这种范式意味着把系统拆分为规划器、执行器、评估器三个角色，并明确定义“什么情况下触发重规划、重规划允许改动图的哪些部分”。开发者交给系统的只是一个任务目标和约束条件，而不是一份不可更改的完整施工图。

需要注意，无论图如何动态变化，它必须始终满足“无环”这一结构性质——这是调度器能够正确判断执行顺序、避免死循环的前提。

二、背景与价值：为什么“先规划后修补”会失效

1. 深度研究任务的本质困难

深度研究任务，指需要在几十上百个信息源之间跳转、反复求证、层层推理才能回答的问题。一个典型例子是：找出这样一个人——他的父亲是新教牧师，他娶了一位时装设计师，他在一个村庄建了一所学校。这类问题无法靠一次搜索解决：系统要先锁定“新教牧师的孩子”这条线索，再结合“配偶是时装设计师”做交叉验证，逐步缩小范围，任何一条线索断裂都需要更换路径重来。

这类任务有三个特征，使其对规划方式格外敏感：

• 信息增量不可预判：有的搜索一步就能排除大半候选，有的连续多步都拿不到有效信息，事先无法判断哪条路径收益高；
• 中间发现可能推翻前提：执行到第三步发现“目标人物根本不是预设的那位”，整条推理链随之作废；
• 验证具有组合性：多条线索必须同时成立，最终答案才可靠，任何单点证伪都需要局部重算。

2. “先规划后修补”的结构性错配

现有的主流DAG式深度研究系统，大多采用同一种流程：规划器先一次性生成完整任务图，再交给执行器运行，执行过程中由独立的修正模块对图做有限调整。业内常把这类范式概括为“先规划后修补”——在还没有任何节点真正执行、系统对问题的理解处于最浅层时，就完成了对整个任务的主要规划承诺；此后的所有调整，都只是在既定框架内打补丁。

这种范式的错配在于：规划承诺的大小与信息量的多少成反比。理解最浅的时刻做出了最大的承诺，而深度研究恰恰是中间发现最能改变全局的任务类型。打个比方，这就像装修前不看房屋结构就画完了全套图纸，施工中才发现承重墙位置全不对——在错误图纸上修补的代价，往往高于重新设计。

3. 可量化的代价

学术界近期的研究在相同系统架构下做过对照实验：将“边做边长”的动态规划替换为“先规划后修补”，在三项主流深度研究基准测试上，准确率分别下降约5.3、4.8、4.0个百分点；若进一步退化为完全不做重新规划的一次性静态计划，差距扩大到约14.0、12.6、10.0个百分点。这组数据说明：重规划能力并不是锦上添花的优化项，而是这类任务准确率的主要来源之一。

三、核心组成：一张会生长的任务图由什么构成

一个典型的动态规划DAG智能体，通常包含六个组件：

1. 规划器：负责生成初始最小计划，并在执行过程中承担局部重规划。注意初始计划是“最小可执行”而非“完整覆盖”——通常只包含当前最有把握的前几步。
2. 任务图（DAG）：计划的载体。节点是子任务，边是依赖关系。没有依赖的分支可以并行执行；每个节点只携带它需要的那部分上下文，不必背负整个任务历史。
3. 执行器：运行单个节点，例如调用检索能力、阅读并摘要文档、做一次判断。执行器不感知全图，只关心本节点的输入与输出。
4. 观察与评估器：把执行结果转化为结构化信号——结果是否可信、是否与已有假设冲突、信息是否足以支撑下一步决策。
5. 图变换操作集：动态规划的动作空间，典型操作包括：扩展（在已完成节点后追加新子任务）、替换（用新分支替换被证伪的分支）、剪枝（删除不再需要的子树）、合并（多条分支的结果汇入同一汇聚节点）、重排（调整节点间的依赖关系）。
6. 聚合器：当全图完成或达到终止条件时，将各分支结果合成为最终答案。

四、工作原理：边做边长如何运行

整个系统运行在一个“执行—观察—重构”的循环上，可以用下面的示意伪代码描述：

G = planner.initial_minimal_plan(task)      # 只规划当前有把握的前几步
while G 中存在未完成节点:
    node = scheduler.pick_ready(G)          # 取出所有依赖已满足的节点，可并行
    result = executor.run(node, node.local_context)
    obs = evaluator.assess(result, task.goal)  # 评估结果质量与假设一致性
    if obs.conflict or obs.insufficient:    # 触发重规划
        G = planner.revise(G, node, obs)    # 局部图变换：扩展/替换/剪枝
        assert is_acyclic(G)                # 校验无环约束
    mark(node, done)
answer = aggregator.synthesize(G)           # 汇聚各分支结果生成答案

其中四个机制值得展开：

• 局部性：重规划只发生在受影响的子图内，而不是推翻全图。这既控制了重规划本身的开销，也保住了已验证分支的成果。
• 最小初始计划：初始图只包含“无论中间发现如何都不会白做”的步骤，例如首轮多路检索。越不确定的部分，越留到信息充分之后再规划——这本质上是在用执行换取规划所需的信息。
• 并行与上下文隔离：无依赖分支并行执行，每个节点只看自己需要的上下文，既节省推理成本，也减少无关信息对判断的干扰。
• 环检测：动态插入节点时必须校验无环性。一旦图中出现环，调度器会陷入互相等待，任务无法推进。

五、与相近概念的区别

范式	计划生成时机	执行中能否改图	典型问题
一次性静态规划	执行前生成完整图	不能	假设错误时整条分支浪费
先规划后修补	执行前生成完整图	由独立修正器有限调整	补丁受既有框架约束
边做边长（动态规划）	最小初始图	持续的局部图变换	实现复杂度更高
单链式推理	不显式建图	隐式、逐步调整	无并行分支，难以剪枝

几点补充说明：

• 相比单链式推理（即“想一步做一步”的线性模式），DAG结构保留了并行分支与显式依赖，天然支持多线索同时推进和分支级剪枝；
• 相比树形分解，DAG允许一个节点依赖多个前驱节点，这正是“多条线索汇聚到同一验证节点”这类交叉验证模式的结构基础；
• 边做边长并非在所有维度占优：它的调度、评估与图变换逻辑更复杂，在结构清晰、步骤可预知的任务中，更简单的范式可能性价比更高。

六、典型应用场景

• 深度研究与调研报告：行业调研、技术选型分析等需要多源交叉验证的开放任务，中间发现频繁改变后续搜索方向；
• 多跳复杂问答：答案需要串联多个实体与关系的事实型问题，例如前文“根据三条线索找人”的例子；
• 事实核查：多条证据必须同时成立，任一证据链断裂都需要换路径重新取证；
• 智能体编排平台：主流大模型服务平台（如百度智能云提供的智能体开发与编排类产品）普遍支持DAG式工作流编排，开发者可在此类通用编排能力之上实现动态重规划逻辑；
• 数据与任务流水线：子任务间存在依赖、且前序执行结果会影响后续步骤形态的批处理场景。

七、使用注意事项

1. 重规划触发条件要克制：每次重规划都有token与时间开销。触发条件过松会导致计划反复震荡、成本失控；过紧则退化为先规划后修补。常见做法是仅在“结果与假设冲突”或“信息不足以支撑下游节点”时触发。
2. 始终维护无环约束：动态插入节点时必须做环检测，否则调度可能死锁。
3. 设计好上下文传递：节点之间传递的应是结构化摘要而非原始全文，否则长任务会迅速撑爆上下文窗口，同时引入噪声。
4. 评估器质量决定重规划上限：重规划方向是否正确，取决于对执行结果的评估是否可靠；评估器本身需要结合业务场景反复校准。
5. 保留可观测性：记录每次图变换的触发原因与前后快照，便于回溯错误决策、支撑离线评估与持续调优。
6. 设置预算与终止条件：并行分支与重规划都会放大调用量，应为单次任务设置步数、成本与时间上限，并定义明确的目标达成判据，防止任务无限生长。

八、总结

回到定义本身：DAG智能体的动态规划，是一种让“计划的生长”与“理解的深入”保持同步的编排范式。它以有向无环图为计划载体，以最小初始计划起步，通过“执行—观察—局部重构”的循环，让任务图随证据积累逐步完善。它的核心价值，在于纠正了先规划后修补范式的结构性错配——不再在对问题理解最浅的时刻做出最大的规划承诺，而是在信息变多的过程中让计划跟着长。它的适用边界同样清晰：任务越开放、中间发现越可能推翻假设，动态规划的收益越大；反之，在步骤可预知、结构稳定的任务中，静态规划的简单与可控仍然是合理选择。