[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"pack-detail-planning-agent-stack-zh":3,"seo:pack:planning-agent-stack:zh":102},{"code":4,"message":5,"data":6},200,"操作成功",{"pack":7},{"slug":8,"icon":9,"tone":10,"status":11,"status_label":12,"title":13,"description":14,"items":15,"install_cmd":101},"planning-agent-stack","🗺️","#7C3AED","new","本周新建","规划型 Agent 技术栈","十件资产，给做 plan-then-execute Agent 的开发者（ReAct \u002F ReWOO \u002F Plan-and-Solve）：规划框架、任务拆解、持久化计划、世界模型 Agent，以及证明你的计划真的更好的评测工具。",[16,28,38,46,54,62,69,79,86,94],{"id":17,"uuid":18,"slug":19,"title":20,"description":21,"author_name":22,"view_count":23,"vote_count":24,"lang_type":25,"type":26,"type_label":27},679,"958852ab-9d94-415e-91b3-a44c467c4e0a","ai-agent-design-patterns-architecture-guide-2026-958852ab","AI Agent Design Patterns — Architecture Guide 2026","Catalog of proven design patterns for building AI agents: ReAct, Plan-and-Execute, Reflection, Tool Use, Multi-Agent, Human-in-the-Loop, and more. With architecture diagrams and code examples.","Prompt Lab",173,0,"en","prompt","Prompt",{"id":29,"uuid":30,"slug":31,"title":32,"description":33,"author_name":34,"view_count":35,"vote_count":24,"lang_type":25,"type":36,"type_label":37},3536,"50242a81-80d4-5b73-bdbc-9b77950c219f","awesome-agentic-patterns-practical-blueprints","Awesome Agentic Patterns — Practical Blueprints","awesome-agentic-patterns is a curated catalogue of reusable agent patterns covering planning, tool use, memory, evaluation, and safety loops.","Agent Toolkit",88,"skill","Skill",{"id":39,"uuid":40,"slug":41,"title":42,"description":43,"author_name":44,"view_count":45,"vote_count":24,"lang_type":25,"type":36,"type_label":37},831,"b985ba42-4ba9-452d-93f1-9efa434df107","langgraph-build-stateful-ai-agent-workflows-b985ba42","LangGraph — Build Stateful AI Agent Workflows","Framework for building stateful, multi-step AI agent workflows as graphs. LangGraph enables cycles, branching, human-in-the-loop, and persistent state for complex agent systems.","LangChain",229,{"id":47,"uuid":48,"slug":49,"title":50,"description":51,"author_name":52,"view_count":53,"vote_count":24,"lang_type":25,"type":36,"type_label":37},204,"99cd6575-668b-4cbc-8b32-a3aa04138188","autogen-multi-agent-conversation-framework-99cd6575","AutoGen — Multi-Agent Conversation Framework","Microsoft framework for building multi-agent conversational AI systems. Agents chat with each other to solve tasks. Supports tool use, code execution, and human feedback. 56K+ stars.","Microsoft AI",160,{"id":55,"uuid":56,"slug":57,"title":58,"description":59,"author_name":60,"view_count":61,"vote_count":24,"lang_type":25,"type":36,"type_label":37},49,"36c7c41a-843f-43ce-a447-39c9004478af","claude-code-agent-task-decomposition-break-down-complex-36c7c41a","Claude Code Agent: Task Decomposition — Break Down Complex Tasks","Claude Code agent that breaks complex tasks into manageable subtasks. Plans execution order, identifies dependencies, and tracks progress.","Skill Factory",140,{"id":63,"uuid":64,"slug":65,"title":66,"description":67,"author_name":60,"view_count":68,"vote_count":24,"lang_type":25,"type":36,"type_label":37},472,"034be597-c361-45a2-b143-41cce0ec8ad8","planning-files-manus-style-persistent-planning-skill-034be597","Planning with Files — Manus-Style Persistent Planning Skill","Claude Code skill implementing persistent markdown planning with 96.7% benchmark pass rate. Uses a 3-file pattern (task_plan.md, findings.md, progress.md) to survive context resets.",226,{"id":70,"uuid":71,"slug":72,"title":73,"description":74,"author_name":75,"view_count":76,"vote_count":24,"lang_type":25,"type":77,"type_label":78},317,"a5444c0c-db82-473d-95f1-391d0a3daf3d","plandex-terminal-ai-large-codebases-a5444c0c","Plandex — Terminal AI for Large Codebases","Plandex is a terminal-based AI dev tool for large, multi-file coding tasks. 15.2K+ stars. 2M token context, sandbox diffs, auto-debug. MIT.","Script Depot",92,"script","Script",{"id":80,"uuid":81,"slug":82,"title":83,"description":84,"author_name":75,"view_count":85,"vote_count":24,"lang_type":25,"type":77,"type_label":78},3168,"3252ad99-8697-433a-a37c-37f7cfc6eb34","plannotator-visual-plan-diff-review-for-agents","Plannotator — Visual Plan & Diff Review for Agents","Plannotator is a plan + code review UI that lets you annotate agent plans and diffs as structured feedback across Claude Code, Codex, and Gemini CLI.",36,{"id":87,"uuid":88,"slug":89,"title":90,"description":91,"author_name":92,"view_count":93,"vote_count":24,"lang_type":25,"type":36,"type_label":37},3479,"24f9c660-5e73-58f7-be47-3b6a699405a4","agentic-world-modeling-research-directory","Agentic World Modeling — Research Directory","Research directory for agentic world modeling. Use it to map foundational papers, capability frameworks, and evaluation methods for world models in agents.","AI Open Source",70,{"id":95,"uuid":96,"slug":97,"title":98,"description":99,"author_name":34,"view_count":100,"vote_count":24,"lang_type":25,"type":36,"type_label":37},3153,"73cd67c3-9db6-48ed-8a31-c082f618168e","agent-evaluation-test-virtual-agents-in-ci","Agent Evaluation — Test Virtual Agents in CI","Agent Evaluation is a Python framework that runs repeatable, scored tests for virtual agents, so teams can catch regressions automatically in CI.",82,"tokrepo install pack\u002Fplanning-agent-stack",{"pageType":103,"pageKey":8,"locale":104,"title":105,"metaDescription":106,"h1":107,"tldr":108,"bodyMarkdown":109,"faq":110,"schema":126,"internalLinks":131,"citations":144,"wordCount":157,"generatedAt":158},"pack","zh","规划型 Agent 技术栈 — 给 plan-then-execute Agent 的 10 件资产（ReAct \u002F ReWOO \u002F Plan-and-Solve）","AI Agent 设计模式、Awesome Agentic Patterns、LangGraph、AutoGen、任务拆解、Manus 风格文件式 plan、Plandex、Plannotator、世界模型、Agent 评测 — 给真正会规划再行动的 Agent 准备的栈。","规划型 Agent 技术栈 — 给 plan-then-execute Agent 的真选品","十件资产，按真实搭建顺序排好：先读模式（ReAct \u002F ReWOO \u002F Plan-and-Solve），挑一个规划框架（LangGraph 状态图或 AutoGen GroupChat），接一个任务拆解 Agent，把计划落盘（Manus 风格 plan.md），用 Plandex 看真实代码库的 plan-execute 长什么样，用 Plannotator 评审计划和 diff，加一层 Agentic World Modeling，最后用 Agent Evaluation 在 CI 里证明新版规划真的更好。最难的那个教训：没有 plan 评测的 Agent，只是带聊天框的祈祷。","## 这个 pack 里有什么\n\n这个栈是你跑完第一条 30 步的 ReAct trajectory、在第 14 步开始飘、然后意识到 Agent 从来没真正有过计划——它只是有惯性——之后会去搭的栈。\n\n每一件资产都瞄准做 **plan-then-execute Agent** 的开发者：Agent 先写计划，再按计划执行，再修订。这就是 ReAct 家族（reason+act 交错）、ReWOO（一次性把整套计划写完，规划期不看 observation）、Plan-and-Solve（先拆再逐步解）。要让这三种模式真正落地，下面这四层必须先到位：\n\n1. **模式素养** — 不读完模式表你没法在 LangGraph 和 AutoGen 之间选。\n2. **编排框架** — 把计划从一步带到下一步的状态机或对话图。\n3. **拆解 + 持久化** — 把目标拆成子任务，把计划写到 Agent 崩溃后还能再读到的地方。\n4. **评审 \u002F 世界模型 \u002F 评测** — 让 demo 级别的计划变成可以放进 CI 的计划。\n\n这个 pack **故意不与** TokRepo 上已有的 `multi-agent-frameworks` 重叠。那个 pack 讲的是*多个 Agent 之间怎么协作*（CAMEL、LangGraph 作为编排器、DeepAgents、GPT Researcher）；这个 pack 讲的是*单个 Agent——或者一个 Agent 群里的 planner——到底怎么规划*。零个重复 workflow ID。两个 pack 配对很顺：先装这个给 planner，再装 multi-agent 给 executor 团队。\n\n| # | 资产 | 在规划闭环里的角色 |\n|---|---|---|\n| 1 | AI Agent Design Patterns | 模式手册：ReAct \u002F ReWOO \u002F Plan-and-Solve \u002F Reflexion |\n| 2 | Awesome Agentic Patterns | 规划与工具使用的实战蓝图 |\n| 3 | LangGraph | 带 checkpoint 的状态化 plan-execute 图 |\n| 4 | AutoGen | GroupChat 驱动的对话式规划 |\n| 5 | Task Decomposition（Claude Code Agent）| 把目标拆成有序子任务的子 Agent |\n| 6 | Planning with Files（Manus 风格）| 把 plan.md 落盘，Agent 能恢复重读 |\n| 7 | Plandex | 在真实大型代码库上的 plan-execute 参考实现 |\n| 8 | Plannotator | 计划 + 产出的 diff 可视化评审 |\n| 9 | Agentic World Modeling | 关于环境建模型 Agent 的研究目录 |\n| 10 | Agent Evaluation | 在 CI 里测试虚拟 Agent — 证明新版规划真的更好 |\n\n## 按顺序装（读 → 编排 → 拆解 → 持久化 → 执行 → 评审 → 评测）\n\n1. **AI Agent Design Patterns — Architecture Guide 2026** — 从这里开始。写第一行 LangGraph 之前，先认清三种规划家族：**ReAct** 把 Reason → Act → Observe 交错（便宜、皮实、但长程会飘）；**ReWOO** 一次性把所有工具调用规划完再执行（省 token、但首版计划错就全错）；**Plan-and-Solve** 先拆再逐步解（长程默认）。这条是架构地图。\n2. **Awesome Agentic Patterns — Practical Blueprints** — 知道了模式还得有菜谱。这份目录集中收纳了规划、工具使用、reflection、recovery 等蓝图。设计时遇到问题查一查，几乎都能找到已命名的对应模式。\n3. **LangGraph — Build Stateful AI Agent Workflows** — 多数 plan-execute Agent 最终落地的编排框架。计划是一个节点，执行器是一个节点，修订步骤是一个节点，LangGraph 在它们之间承载状态 + checkpoint。30 步计划在第 17 步崩溃？从 checkpoint 续跑。这条选的是 workflow 取向的入口，与 multi-agent pack 里的编排取向条目刻意区分。\n4. **AutoGen — Multi-Agent Conversation Framework** — 当规划本身就是一场对话（planner + critic + executor），AutoGen 的 GroupChat 是最干净的抽象。声明 Agent 列表 + 说话者选择策略，框架就会让对话一直跑到目标达成。专门用在『以对话进行规划』这一类；图状的计划用 LangGraph。\n5. **Claude Code Agent: Task Decomposition** — 真正做拆解那一步的子 Agent。丢进 `.claude\u002Fagents\u002F`，给它一个目标，它输出按依赖排序、去重过的子任务清单。生产级 planner 多数会把这一步交给专家子 Agent，而不是让 planner LLM 在大 prompt 里顺手拆。\n6. **Planning with Files — Manus 风格持久化规划技能** — Manus 的招牌动作是把计划写进一个 Agent 每一回合都重读的文件。这条把这种模式打包：`plan.md`、`progress.md`、append-only 日志。是这个 pack 里最便宜的一次健壮性升级——Agent 根本丢不掉计划，因为它从磁盘读，不靠记忆。\n7. **Plandex — Terminal AI for Large Codebases** — 你可以读源码学的 plan-execute 参考实现。Plandex 跑完整闭环：拆解编码任务、写计划、逐步执行、在 checkpoint 处请求评审。拿自己仓库跑一次看 trajectory，是理解『生产级 planner 长什么样』的最便宜方式。\n8. **Plannotator — Visual Plan & Diff Review for Agents** — 当 Agent 有了计划和 diff，需要人（或 critic Agent）并排评审。Plannotator 给你一个可视面板：一边是计划步骤、一边是每一步产生的 diff，可逐行标注。塞到 execute → merge 之间。\n9. **Agentic World Modeling — Research Directory** — 规划型 Agent 的前沿方向是显式维护世界模型（库里有什么、文件存在什么、用户已经说过什么），让计划落在状态上而不是幻觉上。这份精选研究目录——论文、benchmark、代码库——在你决定要不要外挂状态存储之前先读一遍。\n10. **Agent Evaluation — Test Virtual Agents in CI** — 闭环收口。没有 plan 评测，每一次 prompt 改动都是凭感觉。这套 harness 在三个维度给 trajectory 打分：计划质量（计划本身是不是最优？）、执行保真度（Agent 真按计划走了吗？）、最终结果（目标达成没？）。每个 PR 都跑。它输出的数字是唯一能告诉你『v2 的 planner 真比 v1 好』的信号。\n\n## 它们怎么拼起来（plan-then-execute 闭环）\n\n```\n┌─────────────────────────────────────────────────────────────┐\n│  先读                                                       │\n│   AI Agent Design Patterns  ──►  ReAct \u002F ReWOO \u002F Plan-Solve │\n│   Awesome Agentic Patterns  ──►  命名蓝图查表                │\n└─────────────────────────────────────────────────────────────┘\n                          │\n                          ▼\n┌─────────────────────────────────────────────────────────────┐\n│  编排                                                       │\n│   LangGraph（图式计划）   或   AutoGen（对话式计划）          │\n│        │                                                    │\n│        ▼                                                    │\n│  拆解                                                       │\n│   Task Decomposition 子 Agent  ──►  有序子任务清单           │\n│        │                                                    │\n│        ▼                                                    │\n│  持久化                                                     │\n│   Planning with Files          ──►  plan.md \u002F progress.md   │\n└─────────────────────────────────────────────────────────────┘\n                          │\n                          ▼\n┌─────────────────────────────────────────────────────────────┐\n│  执行                                                       │\n│   Plandex 风格闭环  ──►  step → tool → diff                  │\n│        │                                                    │\n│        ▼                                                    │\n│   Plannotator       ──►  人\u002Fcritic 评审 diff                 │\n│        │                                                    │\n│        ▼                                                    │\n│   Agentic World Modeling  ──►  更新状态，偏了就重规划         │\n└─────────────────────────────────────────────────────────────┘\n                          │\n                          ▼\n┌─────────────────────────────────────────────────────────────┐\n│  评测                                                       │\n│   Agent Evaluation  ◄── 计划质量 + 保真度 + 结果              │\n│                          （每个 PR 在 CI 里跑）              │\n└─────────────────────────────────────────────────────────────┘\n```\n\n这个分层是刻意的。**读**是一次性的；**编排 \u002F 拆解 \u002F 持久化**是 setup，每个 Agent 只做一次；**执行 \u002F 评审 \u002F 世界模型**是每个任务都跑的热路径；**评测**包裹一切，是唯一能穿越 prompt 漂移、模型更换、库升级仍然有效的反馈信号。\n\n## 你会撞到的取舍\n\n- **ReAct vs ReWOO vs Plan-and-Solve。** ReAct 是简单默认——每步后看 observation——但长程烧 token，因为每步都要重读 trajectory。ReWOO 把整套计划塞到一个调用里（便宜快），但首条 observation 一翻盘计划就全废。Plan-and-Solve 是中间路线，Manus \u002F Plandex \u002F 多数生产级 planner 都用：拆一次，执行时轻度修订。没有特殊理由就从 Plan-and-Solve 开始。\n- **规划用 LangGraph 还是 AutoGen。** LangGraph 把计划当图——你画状态机、Agent 在上面走、checkpoint 白送。AutoGen 把计划当对话——planner、executor、critic 互相讲话直到共识。LangGraph 适合确定性 pipeline 和需要 resume 的长程任务；AutoGen 适合『规划本身就是产出』（头脑风暴、设计评审）。成熟方案常见组合：LangGraph 当外层图，在某个 planner 节点内部嵌入 AutoGen GroupChat。\n- **prompt 里的计划 vs 磁盘上的计划。** 计划留在 LLM context 里快但每次重启都丢、第 10 步后还会撑爆 context。Manus 风格把 `plan.md` \u002F `progress.md` 写盘，每回合多一次工具调用，但 resume、审计、人工接管都变得 trivial。任何跑 10 分钟以上的 Agent 默认就该把计划落盘。\n- **单个 planner LLM vs 拆解专用子 Agent。** 让同一个模型同时拆、做、改一步省一跳，但子任务多就掉链子——模型会本能地少拆装高效。专用拆解子 Agent（独立 system prompt、更低 temperature）能输出更平、更可并行的清单。日常任务超过 ~5 个子任务就该上专用子 Agent。\n- **plan 评测 vs 只看结果的评测。** 只看最终结果会漏掉一种情况：Agent 计划糟透了但歪打正着——下个月一定回归。只看计划而不看结果，又会漏掉那种『写得很漂亮然后完全没照做』的 Agent。两个都打分，分开打。这个 pack 里的 CI harness 两件都做。\n\n## 常见踩坑\n\n- **没有重规划触发条件。** t=0 写的计划到第 12 步必然过期，因为世界变了。要显式建一个 replan trigger——常见条件是 `if last_step_failed or world_state_diff > threshold then revise_plan`。没有这个，Agent 会沿着死路一直跑到预算耗光。\n- **拆解失控。** 朴素拆解器会把一个任务拆成 40 个子任务、每个再拆 40 个。一定要限制递归深度、限制子任务总数、在拆解器 system prompt 里明写『顶层优先 3–7 个子任务』。\n- **没有计划持久化。** 跑到一半崩不是稀有事件。计划只活在 LLM context 里 = 一切从头开始。从第一分钟就把计划写盘。这个 pack 里的 Manus 风格 skill 只有 60 行，第一次 OOM 就回本。\n- **plan 和 execute 用同一模型还没 critic。** Planner 会偏向 executor 容易做的计划，executor 会偏向无脑执行 planner 说的话。加一个独立 critic Agent（不同 system prompt、最好不同模型）专门负责在执行前指出坏计划。AutoGen 的 GroupChat 让这一步几乎免费。\n- **评测 LLM 而不是评测 trajectory。** 容易陷入只测『LLM 输出的计划文本看着像不像样』，漏掉 Agent 根本没照做。要评测 trajectory：执行动作有没有和计划对上？偏离时是不是有合理原因？这个 pack 选的 Agent Evaluation 算的是 trajectory 保真度，不是计划散文。\n- **把规划当多 Agent 用。** 很多团队动不动就上多 Agent 群，其实只需要一个带好拆解器的单 planner Agent。先用一个模型试 plan-then-execute；只有当你能给第二个 Agent 起一个明确角色名（critic、世界模型管家、工具专家）时才加。\n\n## 这个 pack 不够用的时候\n\n规划型 Agent 在长程、多步、可恢复的任务上发光：重构、研究、跨文件编辑——任何 trajectory 至少 5 步、重跑成本不便宜的活。它在以下场景吃亏：\n\n- **延迟敏感的短任务** — 整个交互不到 30 秒，规划开销吃完预算。直接 ReAct。\n- **没有清晰成功标准的任务** — 写不出评测就说不清规划好不好。先花一周建评测集再调 planner。\n- **执行器本身是一个 Agent 群** — 那还需要 `multi-agent-frameworks` pack。planner 在这边、群在那边。\n\n落地建议：读完模式手册，用 LangGraph + 文件持久化搭最小 plan-execute 闭环，在真实仓库上跑一遍 Plandex 看看『好』长什么样，再调 prompt 之前先把评测 harness 接上。",[111,114,117,120,123],{"q":112,"a":113},"这个 pack 和 TokRepo 上已有的 `multi-agent-frameworks` 有什么区别？","栈的层不同。`multi-agent-frameworks` 讲的是一个任务里多个 Agent 怎么协作——CAMEL 角色、LangGraph 当团队编排器、DeepAgents 派生子 Agent、GPT Researcher 当群体参考实现。这个 pack 讲的是单个 Agent 在行动前怎么规划——模式手册（ReAct \u002F ReWOO \u002F Plan-and-Solve）、任务拆解、计划落盘、计划评审、Agent 评测。零个重复 workflow ID。两个 pack 配对很顺：planner 用这个，executor 是团队的话再装 multi-agent。",{"q":115,"a":116},"规划应该选 LangGraph 还是 AutoGen？","图能画出来的计划用 LangGraph——确定性 pipeline、需要崩溃后续跑的长程任务、想要免费 checkpoint。规划本身是专家 Agent 之间对话的用 AutoGen——planner + critic + executor 聊到共识。成熟方案常见组合是 LangGraph 当外层状态机，在某个 planner 节点里嵌一个 AutoGen GroupChat 处理对话式规划那一步。先从 LangGraph 起步；某个规划步骤需要多轮对话推进时再上 AutoGen。",{"q":118,"a":119},"Manus 风格『计划落盘』真值得多花那几次工具调用？","只要跑超过约 10 分钟就值。两大实际收益：恢复（崩溃恢复 = 读文件，不是重放 trajectory）和可审计（人能直接读计划和进度日志，不用解析 LLM context）。代价是每回合多一两次读写 `plan.md` \u002F `progress.md` 的工具调用——相对 LLM 调用本身可以忽略。短交互式 session 用不上，但任何长程 agentic 闭环里，它是这个 pack 里 ROI 最高的稳健性升级。",{"q":121,"a":122},"为什么 LangGraph 在这个 pack 和 multi-agent-frameworks pack 里都出现？","指向同一个库不同切面的不同 workflow 入口。multi-agent pack 用的是编排取向的入口——LangGraph 当团队协调器。这个 pack 用的是 stateful-workflows 取向的入口——LangGraph 当承载一个 Agent 走完多步的 plan-execute 图。同一个库、两套蓝图。LangGraph 只装一次；两个 pack 教你两种用法。workflow ID 不重复，安装清单不会双算。",{"q":124,"a":125},"最小可用的 Agent 评测集多大？","20–30 条手写 trajectory 已经够检测回归了。每条记录：目标、理想计划（手写参考）、执行 trajectory、最终结果。分开打三个分：计划质量（vs 参考）、保真度（执行有没有跟着计划走）、结果（目标达成没）。第一周在调 planner prompt 前就建好。每次真实生产失败就多一条 case。三个月后你会有 100+ 条 trajectory，每次 prompt 改动都在 CI 里跑——这才是真正推动 planner 质量的闭环，不是凭感觉。",{"@context":127,"@type":128,"name":13,"description":129,"numberOfItems":130,"inLanguage":104},"https:\u002F\u002Fschema.org","ItemList","十件资产，给做 plan-then-execute Agent 的开发者：规划模式（ReAct \u002F ReWOO \u002F Plan-and-Solve）、LangGraph 和 AutoGen 框架、任务拆解、Manus 风格文件式 plan、计划评审、世界模型、Agent 评测。",10,[132,136,140],{"url":133,"anchor":134,"reason":135},"\u002Fzh\u002Ftopics\u002Fmulti-agent-frameworks","多 Agent 框架 pack","配套 pack — 当 planner 需要一支执行团队时，multi-agent pack 覆盖 CAMEL、DeepAgents 和多 Agent 编排",{"url":137,"anchor":138,"reason":139},"\u002Fzh\u002Ftopics\u002Fagent-memory-layer","Agent 记忆层 pack","规划型 Agent 跨 run 需要持久记忆 — 记忆 pack 覆盖 Mem0、Zep 等可与计划落盘配对的状态存储",{"url":141,"anchor":142,"reason":143},"\u002Fzh\u002Ftopics\u002Fllm-observability","LLM 可观测性 pack","30 步 plan-execute trajectory 没有可观测性根本调不出来 — 把这个 pack 和 Langfuse \u002F Phoenix \u002F AgentOps 配对",[145,149,153],{"claim":146,"source_name":147,"source_url":148},"LangGraph 提供 stateful、可 checkpoint 的图工作流，支持长程 Agent run","langchain-ai\u002Flanggraph on GitHub","https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Flanggraph",{"claim":150,"source_name":151,"source_url":152},"AutoGen 提供 GroupChat 抽象，用于对话式多 Agent 规划","microsoft\u002Fautogen on GitHub","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fautogen",{"claim":154,"source_name":155,"source_url":156},"Plandex 在大型代码库上实现了带可评审 checkpoint 的 plan-then-execute Agent 闭环","plandex-ai\u002Fplandex on GitHub","https:\u002F\u002Fgithub.com\u002Fplandex-ai\u002Fplandex",950,"2026-05-22T00:00:00Z"]