HarmonyOS7多Agent架构解析，规划、执行、评审三角色如何实现任务分解与反思

在大模型落地应用的过程中，一个长期存在的痛点是：用户输入一句复合指令，如“调研竞品，输出对比报告，给出落地建议”，模型往往试图一步到位生成完整答案，导致过程不可见、错误难定位、局部修正困难。针对这一问题，HarmonyOS 7 在其 Agent 开发实践中提出了一种轻量但结构清晰的解决方案——通过三个职责分离的角色（Planner、Worker、Critic）构成有界闭环的编排流水线，实现任务分解与自我反思能力。

该架构并非跨设备的多智能体协同（A2A），而是单设备内、同一应用中的逻辑分层。三个角色之间无通信、无状态共享，仅由编排器单向调度，属于确定性纯函数模块：不依赖网络、不访问设备能力、无隐藏状态。这种设计带来显著工程优势——逻辑可在 Node 环境中镜像运行做单元断言测试，也可在 DevEco 中用 Hypium 进行回归验证，二者结论互为印证，大幅提升开发可靠性。

核心在于“分解 + 反思”这一双重机制。所谓分解，是将模糊目标转化为明确子任务；所谓反思，是通过评审环节对结果打分，并在不达标时触发重规划。这不仅提升了输出质量，更关键的是增强了系统的可观测性与可运维性：每一步输入输出均为独立字符串，页面可逐条渲染；某子任务出错时，可精准重试该环节，而非全链路重跑。

以目标“调研竞品，输出对比报告，给出落地建议”为例，在直连模式下，模型常前两部分详实、第三部分敷衍，且无法单独修正。而采用三角色流水线后，各子任务独立执行、独立留痕。若 Critic 发现“落地建议”内容过薄（如不足 8 字符），即可反馈至 Planner 重新拆解该部分，其余已完成步骤不受影响。

PlannerAgent 负责目标分解（decompose）。其实现逻辑简洁但严谨：首先检测目标中是否含中英文标点（、；;,），若有则按分隔符切分；若无，则启用固定三步兜底模板——“明确目标边界与成功标准”“拆解为核心可执行步骤”“执行并汇总自检结果”。这一设计避免了“一句话无标点即视为单任务”的常见误判。例如，“做个年度计划”若被误拆为单步，会导致后续执行缺失关键环节；而模板兜底确保任何输入都至少生成三条可执行路径，该细节曾在单元测试中被快速捕获并修正。

WorkerAgent 承担具体执行（execute），接收子任务描述与上下文，产出对应结果。演示中返回格式化字符串“完成[编号]: 描述 -> 产出编号”，实际项目中此处可替换为工具调用或模型推理调用，编排层无需改动，体现了良好的接口抽象。

CriticAgent 则执行评审（review），采用启发式评分规则：每条结果非空且长度 ≥8 字符记为达标；总得分 = 达标比例，满分 1.0；若得分 <0.6 则标记 needsReplan，触发重规划流程。该阈值设定虽简单，却有效防止“形式主义输出”——例如仅回复“已分析”“待补充”等无效内容。

整个流程构成一个“有界重规划”闭环：规划→执行→评审→（若未达标）重规划。值得注意的是，重规划次数受 maxReplans 上限约束，避免无限循环；同时，每次重规划均基于上一轮评审反馈，而非盲目重试，确保迭代方向收敛。

该设计还附带一份实用避坑指南，指出多 Agent 编排中最常见的四类问题：

从技术演进角度看，HarmonyOS 7 的这一实践代表了当前端侧 AI 应用架构的一种务实路径：不追求复杂分布式智能体协作，而是在资源受限的终端设备上，通过逻辑分层与确定性设计，构建可调试、可验证、可维护的任务执行框架。它延续了此前系列中对 LLM 底座、对话记忆、工具调用、检索增强等能力的积累，进一步补全了“任务治理”环节。

相较于通用大模型平台中常见的单 Agent 直出模式，这种三角色编排更贴近软件工程思维：将“需求分析—编码实现—代码审查”映射为“规划—执行—评审”，使 AI 任务具备类似传统开发流程的透明度与可控性。尤其在需要高可靠性的本地化场景（如文档生成、决策辅助、自动化配置）中，该模式可显著降低幻觉风险与交付不确定性。

需要强调的是，该方案目前聚焦于单设备内应用级任务编排，尚未涉及跨设备智能体间意图协商（A2A），后者将在后续系列中展开。当前设计的价值在于：它提供了一个最小可行的反思闭环原型，既可快速验证，又便于集成到现有 HarmonyOS 应用开发流程中。

随着端侧大模型能力持续增强，如何让 AI 不仅“能做”，而且“做得清楚、改得精准”，已成为系统架构的关键命题。HarmonyOS 7 的多 Agent 任务分解与反思机制，为此提供了一条清晰、克制且工程友好的实践路径。