前言：從會「做事」到會「安排事」

在 昨天 (Day 6) 我們讓 LLM 學會使用工具，能查天氣、看文件、甚至寄出 email。
這樣的 AI 已經會「動手」，但它還缺少一個關鍵能力：安排順序。

想像你交代 AI：「幫我規劃今天去美泉宮、美景宮、聖史蒂芬大教堂。」
如果它只是單純查詢資訊、逐一回覆，最後你拿到的仍然是一堆零散結果，而不是一個完整的行程表。

這就是 Planning（規劃） 的價值：
能把一個目標拆解成一系列可執行步驟，並考量前後順序與限制，讓 AI 的行動更有條理。

Planning Pattern 是什麼？

核心概念

Planning Pattern 的精神是 Plan → Execute：先規劃，再執行。

流程步驟

1. Define goals（定義目標）：清楚知道要完成什麼，例如一天內參觀三個景點。
2. Analyze constraints（分析限制）：考量時間、交通、資源等條件。
3. Generate plan（生成計劃）：AI 一次產出完整的步驟清單，像藍圖一樣。
4. Execute & adjust（執行與調整）：系統依照計劃逐步執行，必要時依情境微調。

特色

• 計劃與執行分開。
• 計劃在一開始就靜態生成，不會中途重排。
• 外部世界的變化，只會在執行階段影響調整（例如下雨延誤交通）。

圖：Planning Pattern 流程圖，展現「先規劃、再執行」的典型模式。計劃一次生成，不會在過程中重排，只能在執行階段根據情況微調。

Demo 1：AI 先規劃，再執行 (Plan-and-Execute)

以下用「一日三景點行程」來展示最小可行範例。

規劃今天從上午 9 點出發，參觀維也納三個景點：
美泉宮、美景宮、聖史蒂芬大教堂。
條件：

• 每個景點至少 2 小時
• 景點之間交通 30 分鐘
• 必須在 18:00 前結束

import google.generativeai as genai
import json
from datetime import datetime, timedelta

# ---- 初始化 LLM ----
genai.configure(api_key="你的_API_KEY")
llm = genai.GenerativeModel("gemini-2.0-flash")

# Step 1: 請 AI 生成計劃（要求 JSON 格式，含 place）
query = """
請規劃今天從上午 9 點出發，參觀維也納三個景點：
美泉宮、美景宮、聖史蒂芬大教堂。
條件：
- 每個景點至少 2 小時
- 景點之間交通 30 分鐘
- 必須在 18:00 前結束
請只輸出 JSON 格式，每個步驟包含：
title, place, minutes, indoor (是否室內, true/false)。
"""
response = llm.generate_content(query).text
print("AI 原始輸出：", response)

# Step 2: 清理 JSON（避免 LLM 輸出帶有 ```json ... ```）
raw = response.strip()
if raw.startswith("```"):
    raw = raw.split("```")[1]
    raw = raw.replace("json", "", 1).strip()

plan = json.loads(raw)

# Step 3: Tool (模擬天氣 API)
def get_weather(city: str):
    return "rain"  # 假設今天下雨

# Step 4: 執行計劃
weather = get_weather("Vienna")
print("\n今日天氣：", weather)

time = datetime.strptime("09:00", "%H:%M")
end = datetime.strptime("18:00", "%H:%M")

for task in plan:
    duration = task["minutes"]
    if weather == "rain" and "前往" in task["title"]:
        duration = int(duration * 1.5)  # 下雨天交通延長 1.5 倍
        task["title"] += "（因下雨延誤）"

    finish = time + timedelta(minutes=duration)
    print(f"{time.strftime('%H:%M')}–{finish.strftime('%H:%M')} {task['title']}")
    time = finish

print("行程可行！" if time <= end else "行程超時！")

輸出結果

圖：Demo 1 執行結果。行程表完全依照 AI 事先產生的靜態計劃執行，下雨只影響交通時間，但仍能在限制時間內完成行程。

你可能會注意到：這份計劃裡 沒有「查天氣」這個步驟。這不是錯誤，而是 Planning Pattern 的特性。

在 Plan-and-Execute 模式中：

• 計劃階段：AI 先生成一份完整的「靜態藍圖」（行程），不會把外部資訊考慮進來。
• 執行階段：系統在實際執行時，才會透過工具（例如天氣 API）檢查環境，並在必要時調整（例如下雨天戶外交通時間就會延誤）。

換句話說，計劃本身是靜態的，外部世界的變化只會在執行時影響最終結果。

這也是為什麼在後續的章節，我們會介紹 ReAct，讓 AI 不僅能規劃，還能邊想邊查。

Demo 2：遇到突發狀況，調整既有計劃

假設今天臨時發現 美景宮休館，在 Planning Pattern 下，AI 不會自動幫你「重排新計劃」，而是系統在執行階段偵測到問題後，刪掉無法執行的步驟，然後繼續照原本的計劃執行下去。

import google.generativeai as genai
import json
from datetime import datetime, timedelta

# ---- 初始化 LLM ----
genai.configure(api_key="你的_API_KEY")
llm = genai.GenerativeModel("gemini-2.0-flash")

# Step 1: 請 AI 生成計劃（包含 place 欄位）
query = """
請規劃今天從上午 9 點出發，參觀維也納三個景點：
美泉宮、美景宮、聖史蒂芬大教堂。
條件：
- 每個景點至少 2 小時
- 景點之間交通 30 分鐘
- 必須在 18:00 前結束
請只輸出 JSON 格式，每個步驟包含：
title, place, minutes, indoor (是否室內, true/false)。
"""
response = llm.generate_content(query).text

# Step 2: 清理 JSON（避免 LLM 輸出帶有 ```json ... ```）
raw = response.strip()
if raw.startswith("```"):
    raw = raw.split("```")[1]
    raw = raw.replace("json", "", 1).strip()

plan = json.loads(raw)

# Step 3: Tool (模擬天氣 API)
def get_weather(city: str):
    return "rain"  # 假設今天下雨

# Step 4: Tool (檢查景點是否開放)
def check_open(place: str):
    closed_places = ["美景宮"]  # 假設美景宮休館
    return place not in closed_places

# Step 5: 執行計劃
weather = get_weather("Vienna")
print("\n今日天氣：", weather)

time = datetime.strptime("09:00", "%H:%M")
end = datetime.strptime("18:00", "%H:%M")

for task in plan:
    # 如果是參觀景點，先檢查是否開放
    if "參觀" in task["title"]:
        if not check_open(task["place"]):
            print(f"{task['place']} 今日休館，跳過此步驟")
            continue

    duration = task["minutes"]

    # 下雨 → 戶外交通延長 1.5 倍
    if weather == "rain" and "前往" in task["title"]:
        duration = int(duration * 1.5)  # 交通延長 1.5 倍
        task["title"] += "（因下雨延誤）"

    finish = time + timedelta(minutes=duration)
    print(f"{time.strftime('%H:%M')}–{finish.strftime('%H:%M')} {task['title']}")
    time = finish

print("行程可行！" if time <= end else "行程超時！")

輸出結果

圖：Demo 2 執行結果。遇到美景宮休館時，AI 僅刪除該步驟，沒有重新安排行程。

可以看到，在 Planning Pattern 下：

• AI 不會主動幫你「想新的景點替代方案」。
• 它只是根據既有的靜態計劃，把無法執行的部分刪掉，再繼續完成剩下的步驟。

這就是 Plan-and-Execute 的限制：計劃雖然清楚，但缺乏靈活性。

如果要讓 AI 能夠「臨時改去其他景點」或「重新規劃完整路線」，就需要更進階的方法，例如 ReAct 或 Multi-Agent。

小結

• Planning Pattern 的核心是 Plan → Execute，計劃與執行分開，計劃靜態而清晰。
• 它適合明確、可預期的任務（例如流程自動化、排程）。
• 但遇到突發狀況，AI 只能刪掉步驟，無法自動替代或重排，彈性不足。
• 後續會看到的 ReAct，則能讓 AI 邊想邊查，具備更即時的應變能力。

圖：維也納卡爾教堂（Karlskirche）。夜色下的巴洛克建築展現嚴謹的對稱與秩序，如同 Planning Pattern 所強調的「先規劃、再執行」：AI 不只是行動，更需要結構化的安排，才能讓複雜任務井然有序。（攝影：作者自攝）