在一组假设参数下，10 步任务的 ReAct 累计输入约 2.78 万个 token，Plan-and-Execute 约 7200 个，相差 3.9 倍。这组测算不是产品实测，却揭示了 Agent 落地中的一个关键事实：任务规划方式直接决定模型成本，也决定流程会不会失控。
这是什么
ReAct 是“推理—行动”交替模式，每完成一步，模型都会结合此前过程决定下一步，适合步骤少、路径不定的探索任务。Plan-and-Execute 则先形成多步计划，再逐项执行，适合流程稳定的重复任务。分层规划介于两者之间：先划分阶段，阶段内执行、阶段间重设上下文并重新判断。
三者不是新旧替代关系。ReAct 每一步重读历史，输入量会随步骤增加明显累积；Plan-and-Execute 把成本前置到规划阶段，省下重复上下文，却要求第一版计划足够准确。文章给出的经验边界是：三步以内通常不必增加规划器，十步以上则应认真评估固定计划方案。
行业怎么看
我们认为，这篇文章的价值不在于提供一套“最佳架构”，而在于把 Agent 项目从模型能力讨论拉回成本结构讨论。企业评估 AI 应用时，除了看准确率，还应记录完成步数、任务稳定性、计划重做次数和每次调用的上下文长度。对流程固定、调用频繁的企业服务，先规划后执行往往更有经济性；对需求模糊、需要现场判断的任务，过早固定计划反而会放大错误。
风险也很清楚。原文中的 token 数字来自假设模型，实际差异还会受到输出长度、工具返回、缓存机制和模型定价影响。固定计划还有一个明显弱点：执行到中途遇到现实条件变化时，系统可能继续沿错误路径推进；计划越详细，错误传播得越远。因此，Plan-and-Execute 不能被理解为“一次生成、永久执行”，关键任务仍需保留重新规划和人工复核。
对普通人的影响
对企业 IT：采购 Agent 服务时，技术人员应要求供应商说明任务步数、上下文处理方式和失败重试机制，而不只是展示一次成功演示。成本结构透明，才可能判断系统能否长期运行。
对个人职场：AI 助手若需要不断追问、频繁调整路径，ReAct 式交互更顺手；若面对报销审核、资料归档等固定流程，先列清单再批量处理通常更省调用成本。选择方法不必高深，先看任务是否有稳定步骤。
对消费市场：按次收费的 AI 产品未必比订阅制更贵，底层调用次数只是价格的一部分。随着规划、记忆压缩和批式执行成为产品能力，用户更容易遇到价格更低却更可靠的助手，但“自动完成”越强，错误计划的影响也越难被察觉。