3 外部规划器（External Planner）：对于需要高度专业化或最优规划能力的领域，Agent 可以将问题转化为形式化语言，并调用外部的专业规划求解器来生成行动序列。ReAct 与 ToT 对比：ReAct 和 ToT 都是增强大型语言模型解决复杂问题能力的先进框架，但它们的策略截然不同。ReAct 的核心在于将推理（Reason）与行动（Act）相结合，通过一个线性的迭代循环来工作：模型先生成“思考”来规划步骤，然后执行一个“行动”来与外部环境互动，最后接收“观察”到的结果以指导下一步思考。这种模式使 ReAct 能够获取并整合外部世界的实时、准确信息，极大地减少了事实性错误和内容幻觉，特别适用于需要事实依据的知识密集型任务，如问答和事实核查。 ToT 则专注于模型内部的思考和规划。它将问题求解过程构建为一棵“思想树”，而不是单一的思路链。在树的每个节点，ToT 会生成多个并行的候选“思想”或解决方案路径。接着，它利用语言模型自身进行“自我评估”，为这些路径打分，并结合广度优先（BFS）或深度优先（DFS）等搜索算法来决定探索哪个最有希望的分支，甚至可以在发现此路不通时进行回溯。这种系统性的探索、前瞻和回溯能力，使得 ToT 在解决需要复杂规划、策略性或搜索的任务（如 24 点游戏、创意写作）时，表现远超传统方法。
