任务到底是怎么被拆开的？Planner 才是系统的"脑子"

一篇讲清楚了一件事：OpenClaw 的核心不是模型，而是系统结构。

拆成了四层：任务拆解（Planner）、多角色执行（Multi-Agent）、反馈闭环（Loop）、状态管理（State）。

但如果你真的去搭一套系统，很快会发现：

真正最难的，不是执行，也不是反馈，而是第一步——拆任务。

一个被严重低估的问题：AI"不会拆任务"

举个例子：让 AI 写一篇深度文章。

大部分模型会怎么做？

直接开始写。

但人是怎么做的？

先想主题 再想结构 再想每段讲什么 再动手 写完还会改。

本质差异：AI 一次性生成，人类分阶段执行。

这就是问题的根源：

复杂任务不是"生成问题"，而是"规划问题"。

Planner 在系统里的真实角色

很多人以为 Planner 是"帮你列个大纲"。

这是错的。

Planner 的本质是：把"目标"转译成"可执行路径"。

它做四件事：

第一，明确目标（Goal Framing）

不是简单复述用户输入，而是限定范围、明确输出形式、定义成功标准。

举个例子：

写一篇文章

写一篇关于"AI系统局限性"的分析文章，2000字，面向有基础认知的读者

第二，结构规划（Structure Planning）

不是"分几段"，而是每一部分解决什么问题、是否有逻辑递进、信息密度如何分配。

第三，任务分配（Task Allocation）

把结构拆成可独立执行的子任务，明确输入输出，控制粒度。

第四，执行顺序（Execution Order）

不是所有任务都是线性的。有些可以并行，有些必须依赖前一步。

这一步决定：系统是流水线，还是乱序执行。

为什么拆不好，系统会"整体崩掉"

这是最关键的一部分。很多人搭系统出问题，第一反应是"模型不够强"。但真实情况往往是第一步就埋下了。

情况一：拆得太粗

例如：Step1 写文章，Step2 优化。

问题：子任务仍然复杂，Executor 负担过重，Reviewer 无法判断。

结果：系统退化成单模型。

情况二：拆得太细

例如：Step1 写标题，Step2 写第一句话，Step3 写第二句话……

问题：上下文碎片化，成本暴涨，逻辑断裂。

结果：系统变成流水线噪音机。

情况三：拆错维度

最常见错误：按"形式"拆，而不是按"认知难度"拆。

说白了：按段落拆是错的，按"认知步骤"拆才是对的——理解问题 建立观点 举例 推导结论。

真正有效的拆解策略

方法一：按"认知阶段"拆

适用于写作 / 分析 / 研究：理解问题 提出核心观点 拆分子论点 逐一论证 汇总结论。

方法二：按"信息依赖"拆

适用于复杂任务 / 多步骤流程：先获取数据 再分析数据 再生成输出。

关键原则：后一步不能依赖前一步未完成的信息。

方法三：按"不确定性"拆（高级）

最重要但最少人用：把"最不确定的部分"单独拆出来。

例如：先判断方向（最难） 再写细节（简单）。

这样可以：用最少成本解决最大风险。

Planner 不是静态的

大多数人写 Planner 是这样的：生成一次 固定执行。

但真实系统必须是：

动态 Planner。

表现为：执行过程中可以调整任务、Reviewer 可以反向修改计划、遇到失败可以重规划。

本质：计划不是蓝图，而是可迭代结构。

你现在这个系统，问题很可能就在这里

结合你当前阶段——你已经跑过系统，你会发现这些问题：

判断结果模板化、三脑没有分歧、confidence 不合理。

很多人会以为：是模型问题。

但很大概率是：

Planner 没拆对。

因为：Executor 没有明确任务、三脑其实在做同一件事、Reviewer 没有标准。

最终结果：整个系统在"复读一个模糊任务"。

Planner 决定天花板

因为后面所有层（Agent / Loop / State）都依赖它。

如果 Planner 错了：多 Agent = 多个错误执行器，Feedback = 放大错误，State = 记录错误。

系统会越跑越偏，而不是越跑越准。

阶段性结论：复杂任务的核心不是"做"，而是"怎么开始做"。

OpenClaw 真正做的第一件事，不是执行，而是决定执行路径。

下一篇预告

下一篇我们会讲：三脑（Multi-Agent）为什么不是"多模型"，而是"多视角冲突系统"。

包括：为什么没有分歧 = 系统没思考、如何设计三个 brain 的人格、如何避免"伪一致性"、为什么大多数 multi-agent 都是假的。

最后想问问大家：

Planner 拆任务，你踩过什么坑？

评论区聊聊，转发给做 AI 系统的朋友，这篇文章可能正好能帮他找到问题根源！

@钳瞻AI，我们下期见。