在智能Agent系统中，规划能力是完成复杂多步任务的核心。请系统介绍当前主流的提升大语言模型规划能力的方法，如思维链（CoT）、思维树（ToT）、图思维（GoT）等，深入分析它们的原理、适用场景，并对比各自的优缺点与实际应用中的局限性。

规划能力的三个层次

Layer 1: 简单规划（CoT）
  单路径思考链，逐步推导
  适用：数学题、逻辑推理

Layer 2: 结构化规划（LLM Planner）
  输出 JSON 格式执行计划，明确每步工具和参数
  适用：多步骤任务、需要工具组合的场景

Layer 3: 探索性规划（ToT / MCTS）
  多路径并行探索，选最优路径
  适用：搜索空间大、最优解不唯一的复杂任务

LLM Planner 实现（拓业智询真实代码）

class PlannerNode:
    def __call__(self, state: AgentState) -> dict:
        prompt = (
            f"制定执行计划\n"
            f"问题: {state['query']}\n"
            f"意图: {state['intent']}\n"
            "可用工具:\n"
            "- text2sql: 查询数据库（自然语言转 SQL）\n"
            "- code_executor: 执行 Python 代码\n"
            "- web_search: 搜索网络\n"
            "- rag_search: 检索知识库\n\n"
            'JSON格式: {"plan": [{"step": 1, "action": "...",'
            '"tool": "...", "params": {}}]}'
        )
        result = json.loads(self.llm.simple_chat(prompt))
        return {"plan": result["plan"], "current_step": 0}

计划示例（分析银行股 PE）

plan = [
    {
        "step": 1,
        "action": "查询所有银行股的 PE 比率",
        "tool": "text2sql",
        "params": {"question": "查询 A 股银行板块所有股票的 PE 比率，按升序排列"}
    },
    {
        "step": 2,
        "action": "对 PE 数据进行统计分析并生成柱状图",
        "tool": "code_executor",
        "params": {
            "use_previous_data": True,  # 使用 Step 1 的查询结果
            "task": "计算均值/中位数，绘制银行股 PE 对比柱状图，标注行业平均线"
        }
    },
    {
        "step": 3,
        "action": "搜索近期银行股估值相关新闻",
        "tool": "web_search",
        "params": {"query": "A股银行板块 PE 估值 2024 分析"}
    }
]

CoT vs ToT 对比

CoT（思维链）：单路径，逐步推导
  问题 -> 思考1 -> 思考2 -> 思考3 -> 答案
  优点：简单高效；缺点：走错一步全错

ToT（思维树）：多路径并行，择优
  问题 -> 思路A -> 展开A1, A2, A3 -> 评估选最优
       -> 思路B -> 展开B1, B2, B3 -> 剪枝
  优点：全局最优；缺点：token 消耗是 CoT 的 3-5 倍
  适用：难度大、解空间复杂的任务