拆开 planner 与 executor：专业化红利与接口账单

GPT-4o 看得懂屏幕截图，说得出下一步点哪里，却给不出可靠的像素级点击坐标。这块短板，换更大的模型未必补得上。

L5 p.17-22 给的是另一条路：把 planner 与 executor 拆开，各用各的模型。分离换走单体的简单性，收益是专业化，代价是接口要自己设计、自己守。本篇把这笔账的证据摊开。

一、四条理由，四根支柱

先看立论。L5 p.17 列了四条给 agent 加规划结构的理由：

• modularity：模块性
• feedback：反馈
• long horizons：长视野
• control：控制

同页还引了 Fred Brooks《人月神话》的自嘲：「Plan to throw one away; you will, anyhow.（做一次扔一次的准备，反正你总会扔）」。结构是拿来改的。

光有四条理由还只是愿望清单。L5 p.18 把它们压到贯穿全讲的 GPU 工作站采购任务上，四种规划压力一一对应机制：

• Modularity：各厂商搜索分开跑、互不污染上下文
• Feedback：四家全不满足就修订计划、长出第五次搜索
• Long horizon：需求与进度信息跨全任务持久可查
• Control：提交采购申请前必须经过人批准

从 p.19 起每页页眉都钉着四支柱的口号：Modularity = decompose and specialize｜Feedback = replan when needed｜Long horizon = limit context｜Control = separate authority。

它们是后半讲一切机制设计的词汇表：ReWOO、LLM Compiler、MACU、Plan Mode，都能用这四个词重新读一遍。

四支柱最直接的一种落法，就是 L5 p.19 的那句话：分离的模块可以用不同的模型与训练数据。接下来三个证据各开采它的一个侧面：补短板、可搬运、可训练。

二、红利一：补短板 —— 各用各的模型

UGround（Gou et al., ICLR 2025 Oral，OSU NLP Group）的案例很干净：planner 与 executor 各换各的模型。它的起点是 GUI agent 的典型困境：GPT-4o 做 planner，看得懂屏幕截图、说得出下一步动作，比如点击搜索框，却给不出可靠的像素级点击坐标。理解与落地两种能力，长在同一家模型上长短不齐。

UGround 的解法是拆开。planner 只用语言描述下一步动作，坐标映射交给单独训练的 7B executor：在 1.3M 张截图、10M 个界面元素上训出来的专用接地模型，接地精度反超大模型。配合 SeeAct-V 框架，纯视觉 agent 真正操作桌面电脑。后续大模型把同款精细网页数据直接放进训练后，这类分工对提性能不再必要，对提效率仍然有用（字幕）。

Agent S（Agashe et al., ICLR 2025）同属此脉。

这笔账的关键：短板是一类具体能力，比如语言到坐标，不是整体智力。补短板的正确姿势，是拆出来专训一个小模型。

同一红利还有个更容易被忽略的侧面：规划能力本身也可以是可搬运的模块。

ReWOO（Xu et al., 2023）在上一篇以预先承诺换 token 经济学出场，这里换一个读法：它证明 Planner/Worker/Solver 三角色可以解耦到什么程度。

规划能力不光能拆出来，还能蒸馏：把 175B 模型的规划能力蒸进 7B LLaMA，规划从此是一个可以单独生产、单独部署的部件。上一篇算的是它省了多少钱，本篇记下的是它拆出了什么：一个有独立生命力的 planner。

三、红利二：分工可以被训练 —— 教师轨迹与 DAG 调度

设计出来的分工，还能不能教出来？Plan-and-Act（Erdogan et al., ICML 2025；官方 reading、L5 p.20 主线论文）给出肯定答案。方法是合成数据的教师轨迹（这一手与上一讲的 workflow induction 同源：同为轨迹切分加标注，只是用途从沉淀流程换成造训练数据，字幕）：

这个数据法的位置特殊：它不需要人手写标准计划，标准计划写不出，也写不全。它从已成功的执行轨迹里反推计划，计划监督从轨迹蒸馏，分工由此从架构决策变成可学习对象。

这与 ReWOO 的蒸馏不同向：ReWOO 蒸的是会规划的模型，Plan-and-Act 造的是带计划标注的数据。前者搬能力，后者造的是训练数据。

工程侧的第三个证据把分工推向调度层。LLM Compiler（Kim et al., ICML 2024）借经典编译器思想：Planner 产出函数调用的 DAG，Task Fetching Unit 按依赖就绪派发，Executor 并行执行。

上一篇记过它的账：延迟最高降 3.7×、成本省 6.7×、准确率反升约 9%。本篇看它的形：分离的极致是编译。

planner 不逐步指挥 executor，改成一次性把分工编成一张可并行调度的图，执行期连 planner 都不必在场。设计 plan、调度 fetch、执行 execute，三种关注点彻底分家，这就是 Modularity 在工程层的完整形态。

四、接口上挂着的前置条件：affordance

分离不是免费的。两个模块之间隔着一道接口，接口上挂着的第一个问题就是经典规划的老朋友：这步做得成吗。

L5 p.22 把它引回本讲谱系：经典规划里它叫前置条件（precondition），动作没满足就不可适用；神经时代的对应物是 affordance（可供性），动作在当前世界的可行性。

SayCan（Ahn et al., CoRL 2022）为每个机器人技能学一个价值函数，预测该技能当下完成的概率，与 LLM 给出该子任务的概率相乘重排。planner 说想做什么，接口上的打分器说做不做得成，两票相乘才放行。

重打分流程的细节在从 STRIPS 到 Code as Policies 篇已拆过，此处不重复。同页的 Zero-Shot Planners（Huang et al., ICML 2022）是反面参照：不接地、纯语言生成计划，可行性这关完全交给运气。

把 SayCan 放回本篇语境，它的角色就清楚了：它是 planner 与 executor 之间那份接口契约里最古老的一条，「执行你做得到的」。

UGround 的语言动作描述、Plan-and-Act 的计划节点、LLM Compiler 的 DAG 边，每一种分离方案都要回答同一个问题：接口上放什么信息、谁来检查可行性。

SayCan 用价值函数回答，UGround 用接地模型回答，Plan Mode 用人审回答。

五、账单：接口要自己设计、自己守

L5 p.19 那句话的后半句常被略读：分离的收益是专业化，代价是接口要自己设计。单体 agent 只有一份上下文，想与做共享同一个世界模型。

拆开之后，这份共享没了：planner 看不见执行现场的细节，executor 不知道全局意图，两边只隔着一份契约通信。于是三笔新成本进门：

前两笔在要不要委派篇有多 Agent 版的完整对撞，MACU 的结构化前传正是给接口补漏。第三笔在本讲反复出现：ReWOO 自己的处方是配一个重规划触发器，Plan Mode 的处方是人审。

四支柱在这里变成日常检查项：Modularity 管契约边界，Feedback 管触发器，Long horizon 管跨模块持久化，Control 管谁能拍板。

与本讲的连接

本篇下钻的是伴读第八节，拆开 planner 与 executor。笔记给结论句，这里补三笔账的原始证据。

同讲连读：先规划还是边走边适应篇答该不该预先承诺，从 STRIPS 到 Code as Policies 篇深挖 SayCan 重打分，要不要委派篇把分离推到极端、对撞接口信息丢失的账。下次读 planner/executor 架构的新论文，先翻到接口定义那节。分离方案的优劣，一半以上写在接口里。